我正在尝试编写一个火花UDF,用0.0替换双精度字段的空值。我正在使用数据集 API。这是 UDF:
val coalesceToZero=udf((rate: Double) => if(Option(rate).isDefined) rate else 0.0)
这是基于我测试工作正常的以下功能:
def cz(value: Double): Double = if(Option(value).isDefined) value else 0.0
cz(null.asInstanceOf[Double])
cz: (value: Double)Double
res15: Double = 0.0
但是当我在 Spark 中以以下方式使用它时,UDF 不起作用。
myDS.filter($"rate".isNull)
.select($"rate", coalesceToZero($"rate")).show
+----+---------+
|rate|UDF(rate)|
+----+---------+
|null| null|
|null| null|
|null| null|
|null| null|
|null| null|
|null| null|
+----+---------+
但是,以下工作:
val coalesceToZero=udf((rate: Any) => if(rate == null) 0.0 else rate.asInstanceOf[Double])
所以我想知道 Spark 是否有一些特殊的方式来处理空双精度值。
scala.Double
无法null
,您使用的功能似乎只是因为:
scala> null.asInstanceOf[Double]
res2: Double = 0.0
(您可以在 If int 不能为 null,null.asInstanceOf[Int] 中找到描述此行为的出色答案?(。
如果myDS
是静态类型数据集,正确的方法是使用Option[Double]
:
case class MyCaseClass(rate: Option[Double])
或java.lang.Double
:
case class MyCaseClass(rate: java.lang.Double)
其中任何一个都允许您使用静态类型API(不是SQL/DataFrame
(处理nulls
,从性能角度来看,后一种表示形式是有利的。
一般来说,我建议使用 SQL API 填充NULLs
:
import org.apache.spark.sql.functions.{coalesce, lit}
myDS.withColumn("rate", coalesce($"rate", lit(0.0)))
或DataFrameNaFunctions.fill
:
df.na.fill(0.0, Seq("rate"))
在将Dataset[Row]
转换为Dataset[MyCaseClass]
之前。