如何将函数应用于Spark DataFrame的列

Question

让我们假设我们有一个Spark DataFrame

df.getClass
Class[_ <: org.apache.spark.sql.DataFrame] = class org.apache.spark.sql.DataFrame

具有以下模式

df.printSchema
root
|-- rawFV: string (nullable = true)
|-- tk: array (nullable = true)
|    |-- element: string (containsNull = true)

假设tk列的每一行都是一个字符串数组，那么如何编写一个Scala函数来返回每一行中的元素数量呢？

Answer 1

您不必编写自定义函数，因为有一个：

import org.apache.spark.sql.functions.size
df.select(size($"tk"))

如果你真的想，你可以写一个udf:

import org.apache.spark.sql.functions.udf
val size_ = udf((xs: Seq[String]) => xs.size)

甚至创建一个自定义表达式，但这真的没有意义。

Answer 2

一种方法是使用下面的sql访问它们。

df.registerTempTable("tab1")
val df2 = sqlContext.sql("select tk[0], tk[1] from tab1")
df2.show()

要获取阵列列的大小，

val df3 = sqlContext.sql("select size(tk) from tab1")
df3.show()

如果您的Spark版本较旧，则可以使用HiveContext而不是Spark的SQL上下文。

我也会尝试一些穿越的东西。