我正在尝试创建一个返回 interpolation 的 UDF函数,但该函数返回一个带有索引的系列并抛出异常。
from pyspark.sql.types import FloatType
@F.pandas_udf(FloatType(), F.PandasUDFType.GROUPED_AGG)
def udf_interpolate(v):
return v.interpolate('linear')
## Test data
df = spark.createDataFrame([
("charles", 1),
("charles", None),
("charles", 3),
], ["name", "value"])
window = Window.partitionBy('name').rowsBetween(Window.unboundedPreceding, Window.unboundedFollowing)
df.withColumn('test_interp', udf_interpolate(df.value).over(window)).show()
错误信息:
pyarrow.lib.ArrowInvalid: Could not convert 0 3.0
1 2.0
2 1.0
Name: _0, dtype: float64 with type Series: tried to convert to float32
我尝试强制转换为 float32,但错误仍然存在。我最初的想法是因为我返回一个“预期一个值”中包含多个值的系列,但我不知道如何解决这个问题。
如果我更改函数,例如返回 v.mean()
,效果很好。
感谢任何帮助。
谢谢。
最佳答案
GROUPED_AGG
requires the UDF to return a scalar ;在您的情况下,最好使用GROUPED_MAP
,因为您要返回一个系列并且需要按组执行计算;本质上,您将每个名称的子数据帧传递给 pandas_udf
,使用 pandas API 对其进行转换,然后返回转换后的数据帧:
@F.pandas_udf(df.schema, F.PandasUDFType.GROUPED_MAP)
def udf_interpolate(g):
return g.assign(value=g.value.interpolate('linear'))
df.groupby('name').apply(udf_interpolate).show()
+-------+-----+
| name|value|
+-------+-----+
|charles| 1|
|charles| 2|
|charles| 3|
+-------+-----+
关于python - Pyspark - 调用 pandas_udf 时出错,返回 Series.interpolate() 作为结果,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54563222/