python - 使用 UDF 处理多个列时堆栈溢出

Question

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？

Answer 1

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)。