web-dev-qa-db-ja.com

SparkSQL：ユーザー定義関数でnull値を処理する方法

タイプ1の列「x」を含む表1が与えられます。 「x」で指定された日付文字列の整数表現である列「y」で表2を作成します。

必須は、列「y」にnull値を保持します。

表1（データフレームdf1）：

+----------+
|         x|
+----------+
|2015-09-12|
|2015-09-13|
|      null|
|      null|
+----------+
root
 |-- x: string (nullable = true)

表2（データフレームdf2）：

+----------+--------+                                                                  
|         x|       y|
+----------+--------+
|      null|    null|
|      null|    null|
|2015-09-12|20150912|
|2015-09-13|20150913|
+----------+--------+
root
 |-- x: string (nullable = true)
 |-- y: integer (nullable = true)

一方、列 "x"の値を列 "y"の値に変換するユーザー定義関数（udf）は次のとおりです。

val extractDateAsInt = udf[Int, String] (
  (d:String) => d.substring(0, 10)
      .filterNot( "-".toSet)
      .toInt )

動作し、null値を処理することはできません。

にもかかわらず、私は次のようなことができます

val extractDateAsIntWithNull = udf[Int, String] (
  (d:String) => 
    if (d != null) d.substring(0, 10).filterNot( "-".toSet).toInt 
    else 1 )

私はudfsを介してnull値を「生成」する方法を見つけませんでした（もちろん、Intsはnullにできないため）。

私の現在のdf2作成のソリューション（表2）は次のとおりです。

// 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")

質問：

  • 現在の解決策は扱いにくいようです（そしておそらくパフォーマンスに関して効率的ではありません）。もっと良い方法はありますか？
  • @ Spark-developers：次のudfが可能になるように、計画/利用可能なタイプNullableIntがあります（コードの抜粋を参照）。

コードの抜粋

val extractDateAsNullableInt = udf[NullableInt, String] (
  (d:String) => 
    if (d != null) d.substring(0, 10).filterNot( "-".toSet).toInt 
    else null )
scalaapache-sparkapache-spark-sqluser-defined-functionsnullable
27
Martin Senne

これはOptioncomesが便利な場所です：

val extractDateAsOptionInt = udf((d: String) => d match {
  case null => None
  case s => Some(s.substring(0, 10).filterNot("-".toSet).toInt)
})

または、一般的な場合にわずかに安全にするため：

import scala.util.Try

val extractDateAsOptionInt = udf((d: String) => Try(
  d.substring(0, 10).filterNot("-".toSet).toInt
).toOption)

すべてのクレジットは Dmitriy Selivanov にあります。誰がこのソリューションを（欠落している？）編集として指摘したか here 。

別の方法は、UDFの外部でnullを処理することです。

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)
)
51
zero323

実際、Scalaにはニースのファクトリー関数Option（）があり、これによりさらに簡潔になります。

val extractDateAsOptionInt = udf((d: String) => 
  Option(d).map(_.substring(0, 10).filterNot("-".toSet).toInt))

内部的には、Optionオブジェクトのapplyメソッドは単にnullチェックを実行しているだけです。

def apply[A](x: A): Option[A] = if (x == null) None else Some(x)
11
tristanbuckner

補助コード

@ zero323のNice回答を使用して、次のコードを作成し、説明したようにnull値を処理するユーザー定義関数を使用できるようにしました。それが他の人に役立つことを願っています！

/**
 * 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)))
    } )
  }
}
10
Martin Senne