我有一个包含许多 str
类型列的 DataFrame
,我想对所有这些列应用一个函数,而不重命名它们的名称或添加更多列,我尝试使用 for-in
循环执行 withColumn
(参见下面的示例),但通常当我运行代码时,它会显示 Stack Overflow
(它很少起作用),这个 DataFrame
一点也不大,它只有大约 15000 条记录。
# df is a DataFrame
def lowerCase(string):
return string.strip().lower()
lowerCaseUDF = udf(lowerCase, StringType())
for (columnName, kind) in df.dtypes:
if(kind == "string"):
df = df.withColumn(columnName, lowerCaseUDF(df[columnName]))
df.select("Tipo_unidad").distinct().show()
完整的错误很长,所以我决定只粘贴一些行。但是你可以在这里找到完整的跟踪 Complete Trace
Py4JJavaError: An error occurred while calling o516.showString. : org.apache.spark.SparkException: Job aborted due to stage failure: Task 1 in stage 2.0 failed 4 times, most recent failure: Lost task 1.3 in stage 2.0 (TID 38, worker2.mcbo.mood.com.ve): java.lang.StackOverflowError at java.io.ObjectInputStream$BlockDataInputStream.readByte(ObjectInputStream.java:2774)
我认为这个问题的产生是因为这段代码启动了很多工作(每列一个 string
类型),你能告诉我另一种选择还是我做错了什么?
最佳答案
尝试这样的事情:
from pyspark.sql.functions import col, lower, trim
exprs = [
lower(trim(col(c))).alias(c) if t == "string" else col(c)
for (c, t) in df.dtypes
]
df.select(*exprs)
与您当前的解决方案相比,此方法有两个主要优点:
- 它只需要单个投影(没有最有可能导致 SO 的不断增长的谱系)而不是每个字符串列的投影。
- 它仅直接操作内部表示,而不将数据传递给 Python (
BatchPythonProcessing
)。
关于python - 使用 UDF 处理多个列时堆栈溢出,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/35066231/