我有一个包含列“col1”和“col2”的数据框 df。我想创建第三列,它使用其中一列作为指数函数。
df = df.withColumn("col3", 100**(df("col1")))*df("col2")
但是,这总是导致:
TypeError: unsupported operand type(s) for ** or pow(): 'float' and 'Column'
我知道这是由于函数将 df("col1") 作为“列”而不是该行的项目。
如果我执行
results = df.map(lambda x : 100**(df("col2"))*df("col2"))
这可行,但我无法附加到我的原始数据框。
有什么想法吗?
这是我第一次发帖,对于格式问题,我深表歉意。
最佳答案
从 Spark 1.4 开始,您可以使用 pow
函数,如下所示:
from pyspark.sql import Row
from pyspark.sql.functions import pow, col
row = Row("col1", "col2")
df = sc.parallelize([row(1, 2), row(2, 3), row(3, 3)]).toDF()
df.select("*", pow(col("col1"), col("col2")).alias("pow")).show()
## +----+----+----+
## |col1|col2| pow|
## +----+----+----+
## | 1| 2| 1.0|
## | 2| 3| 8.0|
## | 3| 3|27.0|
## +----+----+----+
如果您使用旧版本,Python UDF 应该可以解决问题:
import math
from pyspark.sql.functions import udf
from pyspark.sql.types import DoubleType
my_pow = udf(lambda x, y: math.pow(x, y), DoubleType())
关于python - Spark withColumn() 执行幂函数,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/33271558/