Uživatelsky definované funkce

Cleaning Data with PySpark

Mike Metzger

Data Engineering Consultant

Definice...

Uživatelsky definované funkce neboli UDF

Metoda v Pythonu
Obalena metodou pyspark.sql.functions.udf
Uložena jako proměnná
Volána jako běžná funkce Sparku

UDF pro obrácení řetězce

Definujte metodu v Pythonu

def reverseString(mystr):
    return mystr[::-1]

Obalte funkci a uložte ji jako proměnnou

udfReverseString = udf(reverseString, StringType())

Použití se Sparkem

user_df = user_df.withColumn('ReverseName', 
                 udfReverseString(user_df.Name))

Příklad bez argumentů

def sortingCap():
    return random.choice(['G', 'H', 'R', 'S'])
udfSortingCap = udf(sortingCap, StringType())
user_df = user_df.withColumn('Class', udfSortingCap())

Name	Age	Class
Alice	14	H
Bob	18	S
Candice	63	G

Pojďme procvičovat!

Cleaning Data with PySpark