在withColumn下将数据框列和外部列表传递给udf

Question

我有一个具有以下结构的Spark数据框。bodyText_token具有标记（已处理/单词集）。而且我有一个嵌套的已定义关键字列表

root
 |-- id: string (nullable = true)
 |-- body: string (nullable = true)
 |-- bodyText_token: array (nullable = true)

keyword_list=[['union','workers','strike','pay','rally','free','immigration',],
['farmer','plants','fruits','workers'],['outside','field','party','clothes','fashions']]

我需要检查每个关键字列表下有多少标记，并将结果添加为现有数据框的新列。例如：如果tokens =["become", "farmer","rally","workers","student"] 结果为->[1,2,0]

以下功能按预期工作。

def label_maker_topic(tokens,topic_words):
    twt_list = []
    for i in range(0, len(topic_words)):
        count = 0
        #print(topic_words[i])
        for tkn in tokens:
            if tkn in topic_words[i]:
                count += 1
        twt_list.append(count)

    return twt_list

我在下面使用udfwithColumn访问该函数，但出现错误。我认为这与将外部列表传递给udf有关。有没有一种方法可以将外部列表和dataframe列传递给udf，并向dataframe中添加新列？

topicWord = udf(label_maker_topic,StringType())
myDF=myDF.withColumn("topic_word_count",topicWord(myDF.bodyText_token,keyword_list))

Answer 1

最干净的解决方案是使用闭包传递其他参数：

def make_topic_word(topic_words):
     return udf(lambda c: label_maker_topic(c, topic_words))

df = sc.parallelize([(["union"], )]).toDF(["tokens"])

(df.withColumn("topics", make_topic_word(keyword_list)(col("tokens")))
    .show())

这不需要更改keyword_list或使用UDF包装功能。您也可以使用此方法传递任意对象。例如，这可以用于传递sets有效查找的列表。

如果要使用当前的UDF并topic_words直接传递，则必须先将其转换为列文字：

from pyspark.sql.functions import array, lit

ks_lit = array(*[array(*[lit(k) for k in ks]) for ks in keyword_list])
df.withColumn("ad", topicWord(col("tokens"), ks_lit)).show()

根据您的数据和要求，可以选择其他更有效的解决方案，这些解决方案不需要UDF（爆炸+聚合+折叠）或查找（散列+向量运算）。