Est-ce une seule option pour répertorier tous les arguments jusqu'à 22 comme indiqué dans la documentation?
https://spark.Apache.org/docs/1.5.0/api/scala/index.html#org.Apache.spark.sql.UDFRegistration
Quelqu'un a compris comment faire quelque chose de similaire à cela?
sc.udf.register("func", (s: String*) => s......
(écriture d'une fonction de concaturation personnalisée qui ignore les valeurs nulles, devait contenir 2 arguments à la fois)
Merci
Les UDF ne prennent pas en charge les varargs * mais vous pouvez passer un nombre arbitraire de colonnes encapsulées à l'aide d'une fonction array
:
import org.Apache.spark.sql.functions.{udf, array, lit}
val myConcatFunc = (xs: Seq[Any], sep: String) =>
xs.filter(_ != null).mkString(sep)
val myConcat = udf(myConcatFunc)
Un exemple d'utilisation:
val df = sc.parallelize(Seq(
(null, "a", "b", "c"), ("d", null, null, "e")
)).toDF("x1", "x2", "x3", "x4")
val cols = array($"x1", $"x2", $"x3", $"x4")
val sep = lit("-")
df.select(myConcat(cols, sep).alias("concatenated")).show
// +------------+
// |concatenated|
// +------------+
// | a-b-c|
// | d-e|
// +------------+
Avec SQL brut:
df.registerTempTable("df")
sqlContext.udf.register("myConcat", myConcatFunc)
sqlContext.sql(
"SELECT myConcat(array(x1, x2, x4), '.') AS concatenated FROM df"
).show
// +------------+
// |concatenated|
// +------------+
// | a.c|
// | d.e|
// +------------+
Une approche un peu plus compliquée consiste à ne pas utiliser du tout UDF et à composer des expressions SQL avec quelque chose à peu près comme ceci:
import org.Apache.spark.sql.functions._
import org.Apache.spark.sql.Column
def myConcatExpr(sep: String, cols: Column*) = regexp_replace(concat(
cols.foldLeft(lit(""))(
(acc, c) => when(c.isNotNull, concat(acc, c, lit(sep))).otherwise(acc)
)
), s"($sep)?$$", "")
df.select(
myConcatExpr("-", $"x1", $"x2", $"x3", $"x4").alias("concatenated")
).show
// +------------+
// |concatenated|
// +------------+
// | a-b-c|
// | d-e|
// +------------+
mais je doute que cela en vaille la peine à moins que vous ne travailliez avec PySpark.
* Si vous passez une fonction en utilisant varargs, elle sera supprimée de tout le sucre syntaxique et l'UDF résultante attendra un ArrayType
. Par exemple:
def f(s: String*) = s.mkString
udf(f _)
sera de type:
UserDefinedFunction(<function1>,StringType,List(ArrayType(StringType,true)))