pyspark入门系列 - 06 pyspark.sql.functions.pandas_udf使用教程

最新推荐文章于 2025-05-10 16:02:00 发布

铁甲大宝

最新推荐文章于 2025-05-10 16:02:00 发布

阅读量3.4k

点赞数 4

CC 4.0 BY-SA版权

分类专栏： pyspark 文章标签： spark

本文链接：https://blog.youkuaiyun.com/qq_34615112/article/details/107187704

本节来学习pyspark.sql.functions中的pandas_udf函数。博客中代码基于spark 2.4.4版本。不同版本函数会有不同，详细请参考官方文档。博客案例中用到的数据可以点击此处下载（提取码：2bd5）

pyspark.sql.functions.pandas_udf(f=None, returnType=None, functionType=None)

pandas_udf是用户定义的函数，由Spark使用Arrow来传输数据，并使用Pandas来处理数据，从而实现矢量化操作。使用pandas_udf，可以方便的在PySpark和Pandas之间进行互操作，并且保证性能；其核心思想是将Apache Arrow作为序列化格式。

Pandas UDF通常表现为常规的PySpark函数API。

f: 用户定义的函数；
returnType: 用户自定义函数的返回值类型，该值可以是pyspark.sql.types.DataType对象或DDL格式的类型字符串
functionType: pyspark.sql.functions.PandasUDFType中的枚举值。默认值：SCALAR.存在此参数是为了兼容性。鼓励使用Python类型。

Pandas_UDF类型

目前，有三种类型的Pandas_UDF，分别是Scalar（标量映射），GROUPED_MAP（分组映射），GROUPED_AGG（分组聚合）,对应的输入输出格式如下表

pandas_udf类型	输入	输出
SCALAR	一个或多个pd.Series	一个pd.Series
GROUPED_MAP	pd.DataFrame	pd.DataFrame
GROUPED_AGG	一个或多个pd.Series	SCALAR

# 在学习之前先导入必要的包和数据
from pyspark.sql import SparkSession
from pyspark.sql.types import IntegerType, FloatType
import pandas as pd
from pyspark.sql.functions import pandas_udf, udf

spark = SparkSession.Builder().master('local').appName('GroupedData').getOrCreate()
df = spark.read.csv('../data/data.csv', header=True)

df = df.withColumn('投