Étant donné le tableau 1 avec une colonne "x" de type chaîne. Je veux créer le tableau 2 avec une colonne "y" qui est une représentation entière des chaînes de date données en "x".
Essentiel est de conserver les valeurs de null
dans la colonne "y".
Tableau 1 (Dataframe df1):
+----------+
| x|
+----------+
|2015-09-12|
|2015-09-13|
| null|
| null|
+----------+
root
|-- x: string (nullable = true)
Tableau 2 (Dataframe df2):
+----------+--------+
| x| y|
+----------+--------+
| null| null|
| null| null|
|2015-09-12|20150912|
|2015-09-13|20150913|
+----------+--------+
root
|-- x: string (nullable = true)
|-- y: integer (nullable = true)
Alors que la fonction définie par l'utilisateur (udf) pour convertir les valeurs de la colonne "x" en celles de la colonne "y" est:
val extractDateAsInt = udf[Int, String] (
(d:String) => d.substring(0, 10)
.filterNot( "-".toSet)
.toInt )
et fonctionne, le traitement des valeurs nulles n'est pas possible.
Même si je peux faire quelque chose comme
val extractDateAsIntWithNull = udf[Int, String] (
(d:String) =>
if (d != null) d.substring(0, 10).filterNot( "-".toSet).toInt
else 1 )
Je n'ai trouvé aucun moyen de "produire" des valeurs null
via udfs (bien sûr, comme Int
s ne peut pas être null
).
Ma solution actuelle pour la création de df2 (tableau 2) est la suivante:
// holds data of table 1
val df1 = ...
// filter entries from df1, that are not null
val dfNotNulls = df1.filter(df1("x")
.isNotNull)
.withColumn("y", extractDateAsInt(df1("x")))
.withColumnRenamed("x", "right_x")
// create df2 via a left join on df1 and dfNotNull having
val df2 = df1.join( dfNotNulls, df1("x") === dfNotNulls("right_x"), "leftouter" ).drop("right_x")
Questions:
NullableInt
prévu/disponible, tel que le udf suivant est possible (voir extrait de code)?Extrait de code
val extractDateAsNullableInt = udf[NullableInt, String] (
(d:String) =>
if (d != null) d.substring(0, 10).filterNot( "-".toSet).toInt
else null )
C'est là que Option
est utile:
val extractDateAsOptionInt = udf((d: String) => d match {
case null => None
case s => Some(s.substring(0, 10).filterNot("-".toSet).toInt)
})
ou pour le rendre un peu plus sûr dans le cas général:
import scala.util.Try
val extractDateAsOptionInt = udf((d: String) => Try(
d.substring(0, 10).filterNot("-".toSet).toInt
).toOption)
Tout le mérite revient à Dmitriy Selivanov qui a signalé cette solution comme une modification (manquante?) ici .
L'alternative consiste à gérer null
en dehors de l'UDF:
import org.Apache.spark.sql.functions.{lit, when}
import org.Apache.spark.sql.types.IntegerType
val extractDateAsInt = udf(
(d: String) => d.substring(0, 10).filterNot("-".toSet).toInt
)
df.withColumn("y",
when($"x".isNull, lit(null))
.otherwise(extractDateAsInt($"x"))
.cast(IntegerType)
)
Scala a en fait une fonction d'usine Nice, Option (), qui peut rendre cela encore plus concis:
val extractDateAsOptionInt = udf((d: String) =>
Option(d).map(_.substring(0, 10).filterNot("-".toSet).toInt))
En interne, la méthode apply de l'objet Option effectue simplement la vérification nulle pour vous:
def apply[A](x: A): Option[A] = if (x == null) None else Some(x)
Avec la réponse Nice de @ zero323, j'ai créé le code suivant, pour avoir des fonctions définies par l'utilisateur disponibles qui gèrent les valeurs nulles comme décrit. J'espère que c'est utile pour les autres!
/**
* Set of methods to construct [[org.Apache.spark.sql.UserDefinedFunction]]s that
* handle `null` values.
*/
object NullableFunctions {
import org.Apache.spark.sql.functions._
import scala.reflect.runtime.universe.{TypeTag}
import org.Apache.spark.sql.UserDefinedFunction
/**
* Given a function A1 => RT, create a [[org.Apache.spark.sql.UserDefinedFunction]] such that
* * if fnc input is null, None is returned. This will create a null value in the output Spark column.
* * if A1 is non null, Some( f(input) will be returned, thus creating f(input) as value in the output column.
* @param f function from A1 => RT
* @tparam RT return type
* @tparam A1 input parameter type
* @return a [[org.Apache.spark.sql.UserDefinedFunction]] with the behaviour describe above
*/
def nullableUdf[RT: TypeTag, A1: TypeTag](f: Function1[A1, RT]): UserDefinedFunction = {
udf[Option[RT],A1]( (i: A1) => i match {
case null => None
case s => Some(f(i))
})
}
/**
* Given a function A1, A2 => RT, create a [[org.Apache.spark.sql.UserDefinedFunction]] such that
* * if on of the function input parameters is null, None is returned.
* This will create a null value in the output Spark column.
* * if both input parameters are non null, Some( f(input) will be returned, thus creating f(input1, input2)
* as value in the output column.
* @param f function from A1 => RT
* @tparam RT return type
* @tparam A1 input parameter type
* @tparam A2 input parameter type
* @return a [[org.Apache.spark.sql.UserDefinedFunction]] with the behaviour describe above
*/
def nullableUdf[RT: TypeTag, A1: TypeTag, A2: TypeTag](f: Function2[A1, A2, RT]): UserDefinedFunction = {
udf[Option[RT], A1, A2]( (i1: A1, i2: A2) => (i1, i2) match {
case (null, _) => None
case (_, null) => None
case (s1, s2) => Some((f(s1,s2)))
} )
}
}