[EDIT: Mart 2016: oylar için teşekkürler! Gerçi gerçekten, bu şimdiye dayalı çözümler düşünmek, iyi cevap değil withColumn
, withColumnRenamed
ve cast
msemelman tarafından öne sürülen, Martin Senne ve diğerleri] daha basit ve temizdir.
Yaklaşımınızın iyi olduğunu düşünüyorum, bir Spark'ın DataFrame
(değişmez) bir Satır RDD'si olduğunu hatırlayın , bu yüzden asla bir sütunu gerçekten değiştirmiyoruz , sadece DataFrame
her seferinde yeni bir şema ile yeni oluşturuyoruz .
Aşağıdaki şemaya sahip orijinal bir df'niz olduğunu varsayarsak:
scala> df.printSchema
root
|-- Year: string (nullable = true)
|-- Month: string (nullable = true)
|-- DayofMonth: string (nullable = true)
|-- DayOfWeek: string (nullable = true)
|-- DepDelay: string (nullable = true)
|-- Distance: string (nullable = true)
|-- CRSDepTime: string (nullable = true)
Ve bir veya birkaç sütunda tanımlanan bazı UDF'ler:
import org.apache.spark.sql.functions._
val toInt = udf[Int, String]( _.toInt)
val toDouble = udf[Double, String]( _.toDouble)
val toHour = udf((t: String) => "%04d".format(t.toInt).take(2).toInt )
val days_since_nearest_holidays = udf(
(year:String, month:String, dayOfMonth:String) => year.toInt + 27 + month.toInt-12
)
Sütun türlerini değiştirmek, hatta diğerinden yeni bir DataFrame oluşturmak şu şekilde yazılabilir:
val featureDf = df
.withColumn("departureDelay", toDouble(df("DepDelay")))
.withColumn("departureHour", toHour(df("CRSDepTime")))
.withColumn("dayOfWeek", toInt(df("DayOfWeek")))
.withColumn("dayOfMonth", toInt(df("DayofMonth")))
.withColumn("month", toInt(df("Month")))
.withColumn("distance", toDouble(df("Distance")))
.withColumn("nearestHoliday", days_since_nearest_holidays(
df("Year"), df("Month"), df("DayofMonth"))
)
.select("departureDelay", "departureHour", "dayOfWeek", "dayOfMonth",
"month", "distance", "nearestHoliday")
hangi verir:
scala> df.printSchema
root
|-- departureDelay: double (nullable = true)
|-- departureHour: integer (nullable = true)
|-- dayOfWeek: integer (nullable = true)
|-- dayOfMonth: integer (nullable = true)
|-- month: integer (nullable = true)
|-- distance: double (nullable = true)
|-- nearestHoliday: integer (nullable = true)
Bu, kendi çözümünüze oldukça yakın. Basitçe, tür değişikliklerini ve diğer dönüşümleri ayrı olarak tutmak udf val
kodu daha okunabilir ve yeniden kullanılabilir hale getirir.