Pyspark：在 UDF 中传递多个列以及一个参数

Question

我正在编写一个udf，它将包含两个dataframe列以及一个额外的参数（常量值），并将向dataframe添加一个新列。我的函数如下所示：

def udf_test(column1, column2, constant_var):
    if column1 == column2:
        return column1
    else:
        return constant_var

此外，我还做了以下工作来传入多个列:

apply_test = udf(udf_test, StringType())
df = df.withColumn('new_column', apply_test('column1', 'column2'))

除非我删除作为函数第三个参数的< code>constant_var,否则现在这种方法不起作用，但是我真的需要这样做。所以我试着做了如下的事情:

constant_var = 'TEST'
apply_test = udf(lambda x: udf_test(x, constant_var), StringType())
df = df.withColumn('new_column', apply_test(constant_var)(col('column1', 'column2')))

和

apply_test = udf(lambda x,y: udf_test(x, y, constant_var), StringType())

以上这些都不适合我。我是根据这个和这个stackoverflow帖子得到这些想法的，我认为很明显我的问题与这两个帖子有什么不同。任何帮助都将不胜感激。

注意：为了便于讨论，我在这里简化了函数，实际函数更复杂。我知道可以使用＜code＞when＜code＞和＜code＞否则

Answer 1

您不必使用用户定义的函数。您可以在（）和其他（）时使用函数：

from pyspark.sql import functions as f
df = df.withColumn('new_column', 
                   f.when(f.col('col1') == f.col('col2'), f.col('col1'))
                    .otherwise('other_value'))

另一种方法是生成用户定义的函数。然而，使用< code>udf对性能有负面影响，因为数据必须与python相互序列化。要生成用户定义的函数，您需要一个返回(用户定义的)函数的函数。例如:

def generate_udf(constant_var):
    def test(col1, col2):
        if col1 == col2:
            return col1
        else:
            return constant_var
    return f.udf(test, StringType())

df = df.withColumn('new_column', 
                   generate_udf('default_value')(f.col('col1'), f.col('col2')))