0
比方說,我有一個數據幀,看起來像這樣:應用自定義功能,數據幀的選定列的細胞PySpark
+---+-----------+-----------+
| id| address1| address2|
+---+-----------+-----------+
| 1|address 1.1|address 1.2|
| 2|address 2.1|address 2.2|
+---+-----------+-----------+
我想直接將自定義函數的字符串地址1和地址2列,例如:
def example(string1, string2):
name_1 = string1.lower().split(' ')
name_2 = string2.lower().split(' ')
intersection_count = len(set(name_1) & set(name_2))
return intersection_count
我想要的結果存儲在一個新列,讓我最後的數據幀將如下所示:
+---+-----------+-----------+------+
| id| address1| address2|result|
+---+-----------+-----------+------+
| 1|address 1.1|address 1.2| 2|
| 2|address 2.1|address 2.2| 7|
+---+-----------+-----------+------+
我試過的方式我曾經應用了內置函數的整列來執行它,但我得到了一個錯誤:
>>> df.withColumn('result', example(df.address1, df.address2))
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "<stdin>", line 2, in example
TypeError: 'Column' object is not callable
什麼我做錯了,我怎麼可以將自定義函數應用於選定列中的字符串?
謝謝!我還有一個問題:爲什麼我們要特別使用LongType()?它是否與給定函數返回的數據類型有關? – Angelika
是的,它應該是給定函數的返回類型 – dumitru
我可以傳遞不是來自數據框的附加參數嗎?例如,如果我想將示例定義爲: def示例(source_name1,source_name2,string1,string2): 返回json.dumps({source_name1:string1,source_name2:string2}) – Angelika