python - pyspark 中数学函数和 numpy 函数的区别

Question

当使用 numpy 函数而不是数学函数时，为什么 pyspark 的行为不同？ 例如

X = sc.parallelize([[DenseVector([4.9, 3.0, 1.4, 0.2]), DenseVector([4.6, 3.1, 1.5, 0.2])],[DenseVector([5.1, 3.5, 1.4, 0.3]), DenseVector([5.7, 3.8, 1.7, 0.3])]])
X_df = sqlcontext.createDataFrame(X, ["x","y"])
udf_foo = udf(lambda x, y:  m.exp(-x.squared_distance(y)/2.0), DoubleType())
X_sim = X_df.withColumn("sim", udf_foo(X_df.x, X_df.y))

X_sim.show()

输出

+-----------------+-----------------+------------------+
|                x|                y|               sim|
+-----------------+-----------------+------------------+
|[4.9,3.0,1.4,0.2]|[4.6,3.1,1.5,0.2]|0.9464851479534836|
|[5.1,3.5,1.4,0.3]|[5.7,3.8,1.7,0.3]|0.7633794943368529|
+-----------------+-----------------+------------------+

下面的代码

udf_foonp = udf(lambda x, y:  np.exp(-x.squared_distance(y)/2.0), DoubleType())
X_simnp = X_df.withColumn("sim", udf_foonp(X_df.x, X_df.y))

X_simnp.show()

报错

expected zero arguments for construction of ClassDict

Answer 1

因为返回类型不同:

type(np.exp(1.0))
## numpy.float64

type(math.exp(1.0))
## float

和 NumPy 类型不是 SQL 类型的有效外部表示。因此你必须投:

udf(lambda x, y: float(np.exp(-x.squared_distance(y) / 2.0)), DoubleType())