Применение UDF в GroupedData в PySpark (с действующим примером python)

Ответ 1

То, что вы пытаетесь сделать, это написать UDAF (пользовательскую агрегированную функцию), а не UDF (пользовательскую функцию). UDAF - это функции, которые работают с данными, сгруппированными по ключу. В частности, они должны определить, как объединить несколько значений в группе в одном разделе, а затем, как объединить результаты по разделам для ключа. В настоящее время в python нет способа реализовать UDAF, они могут быть реализованы только в Scala.

Но вы можете обойти это в Python. Вы можете использовать набор сбора для сбора сгруппированных значений, а затем использовать обычную пользовательскую функцию, чтобы делать с ними то, что вы хотите. Единственное предостережение в том, что collect_set работает только с примитивными значениями, поэтому вам нужно будет закодировать их в строку.

from pyspark.sql.types import StringType
from pyspark.sql.functions import col, collect_list, concat_ws, udf

def myFunc(data_list):
    for val in data_list:
        b, c = data.split(',')
        # do something

    return <whatever>

myUdf = udf(myFunc, StringType())

df.withColumn('data', concat_ws(',', col('B'), col('C'))) \
  .groupBy('A').agg(collect_list('data').alias('data'))
  .withColumn('data', myUdf('data'))

Используйте collect_set, если вы хотите дедупликации. Кроме того, если у вас есть много значений для некоторых из ваших ключей, это будет медленно, потому что все значения для ключа нужно будет собрать в одном разделе где-то в вашем кластере. Если ваш конечный результат представляет собой значение, которое вы строите, комбинируя значения для каждого ключа каким-либо образом (например, суммируя их), возможно, будет быстрее реализовать его, используя метод RDD aggregateByKey, который позволяет вам создать промежуточное значение для каждого ключа в разделе перед перетасовывать данные вокруг.

РЕДАКТИРОВАТЬ: 21.11.2008

Поскольку этот ответ был написан, pyspark добавил поддержку UDAF с использованием Pandas. Есть несколько приятных улучшений производительности при использовании UDF и UDAF Panda по сравнению с прямыми функциями Python с RDD. Под капотом он векторизует столбцы (объединяет значения из нескольких строк для оптимизации обработки и сжатия). Посмотрите здесь для лучшего объяснения или посмотрите на user6910411 ответ ниже для примера.

Ответ 2

Начиная с Spark 2.3 вы можете использовать pandas_udf. GROUPED_MAP принимает Callable[[pandas.DataFrame], pandas.DataFrame] или, другими словами, функцию, которая отображает из Pandas DataFrame той же формы, что и вход, в выходной DataFrame.

Например, если данные выглядят так:

df = spark.createDataFrame(
    [("a", 1, 0), ("a", -1, 42), ("b", 3, -1), ("b", 10, -2)],
    ("key", "value1", "value2")
)

и вы хотите вычислить среднее значение попарно мин между value1 value2, вы должны определить выходную схему:

from pyspark.sql.types import *

schema = StructType([
    StructField("key", StringType()),
    StructField("avg_min", DoubleType())
])

pandas_udf:

import pandas as pd

from pyspark.sql.functions import pandas_udf
from pyspark.sql.functions import PandasUDFType

@pandas_udf(schema, functionType=PandasUDFType.GROUPED_MAP)
def g(df):
    result = pd.DataFrame(df.groupby(df.key).apply(
        lambda x: x.loc[:, ["value1", "value2"]].min(axis=1).mean()
    ))
    result.reset_index(inplace=True, drop=False)
    return result

и применить его:

df.groupby("key").apply(g).show()

+---+-------+
|key|avg_min|
+---+-------+
|  b|   -1.5|
|  a|   -0.5|
+---+-------+

За исключением определения схемы и декоратора, ваш текущий код Pandas может быть применен как есть.

Начиная с Spark 2.4.0 существует также вариант GROUPED_AGG, который принимает Callable[[pandas.Series,...], T], где T - примитивный скаляр:

import numpy as np

@pandas_udf(DoubleType(), functionType=PandasUDFType.GROUPED_AGG)
def f(x, y):
    return np.minimum(x, y).mean()

который может использоваться со стандартной конструкцией group_by/agg:

df.groupBy("key").agg(f("value1", "value2").alias("avg_min")).show()

+---+-------+
|key|avg_min|
+---+-------+
|  b|   -1.5|
|  a|   -0.5|
+---+-------+

Обратите внимание, что ни GROUPED_MAP ни GROUPPED_AGG pandas_udf ведут себя так же, как UserDefinedAggregateFunction или Aggregator, и они ближе к groupByKey или оконным функциям с неограниченным фреймом. Сначала данные перетасовываются, и только после этого применяется UDF.

Для оптимизированного выполнения вы должны реализовать Scala UserDefinedAggregateFunction и добавить обертку Python.

Ответ 3

Я собираюсь расширить ответ.

Таким образом, вы можете реализовать такую же логику, как pandas.groupby(). Применить в pyspark, используя @pandas_udf, и который является методом векторизации и быстрее, чем простой udf.

from pyspark.sql.functions import pandas_udf,PandasUDFType

df3 = spark.createDataFrame(
[("a", 1, 0), ("a", -1, 42), ("b", 3, -1), ("b", 10, -2)],
("key", "value1", "value2")
)

from pyspark.sql.types import *

schema = StructType([
    StructField("key", StringType()),
    StructField("avg_value1", DoubleType()),
    StructField("avg_value2", DoubleType()),
    StructField("sum_avg", DoubleType()),
    StructField("sub_avg", DoubleType())
])

@pandas_udf(schema, functionType=PandasUDFType.GROUPED_MAP)
def g(df):
    gr = df['key'].iloc[0]
    x = df.value1.mean()
    y = df.value2.mean()
    w = df.value1.mean() + df.value2.mean()
    z = df.value1.mean() - df.value2.mean()
    return pd.DataFrame([[gr]+[x]+[y]+[w]+[z]])

df3.groupby("key").apply(g).show()

Вы получите результат ниже:

+---+----------+----------+-------+-------+
|key|avg_value1|avg_value2|sum_avg|sub_avg|
+---+----------+----------+-------+-------+
|  b|       6.5|      -1.5|    5.0|    8.0|
|  a|       0.0|      21.0|   21.0|  -21.0|
+---+----------+----------+-------+-------+

Таким образом, вы можете делать больше вычислений между другими полями в сгруппированных данных и добавлять их в dataframe в формате списка.