webdevqa.jp.net

データフレーム行を更新された行にマップしようとしたときにエンコーダエラーが発生しました

以下で説明するようにコードで同じことをしようとしているとき

dataframe.map(row => {
  val row1 = row.getAs[String](1)
  val make = if (row1.toLowerCase == "tesla") "S" else row1
  Row(row(0),make,row(2))
})

私はここから上記の参照を取りました: Scala:どのようにscalaを使用してDataframsの値を置き換えることができます しかし、

データセットに保存されているタイプのエンコーダが見つかりません。プリミティブ型(Int、Stringなど)および製品型(ケースクラス)は、spark.im plicitsをインポートすることでサポートされています。他の型のシリアル化のサポートは、将来のリリースで追加される予定です。

注:spark 2.0!

33
Advika

ここでは予期しないことは何もありません。 Spark 1.xで記述され、Spark 2.0でサポートされなくなったコードを使用しようとしています。

  • 1.x DataFrame.map((Row) ⇒ T)(ClassTag[T]) ⇒ RDD[T]
  • 2.x Dataset[Row].map((Row) ⇒ T)(Encoder[T]) ⇒ Dataset[T]

正直なところ、1.xでもあまり意味がありませんでした。バージョンに関係なく、単にDataFrame AP​​Iを使用できます。

import org.Apache.spark.sql.functions.{when, lower}

val df = Seq(
  (2012, "Tesla", "S"), (1997, "Ford", "E350"),
  (2015, "Chevy", "Volt")
).toDF("year", "make", "model")

df.withColumn("make", when(lower($"make") === "tesla", "S").otherwise($"make"))

本当にmapを使用する場合は、静的に型指定されたDatasetを使用する必要があります。

import spark.implicits._

case class Record(year: Int, make: String, model: String)

df.as[Record].map {
  case tesla if tesla.make.toLowerCase == "tesla" => tesla.copy(make = "S")
  case rec => rec
}

または、暗黙のエンコーダーを持つオブジェクトを少なくとも返します。

df.map {
  case Row(year: Int, make: String, model: String) => 
    (year, if(make.toLowerCase == "tesla") "S" else make, model)
}

最後に、何らかの理由で完全にクレイジー理由で、本当にDataset[Row]必要なエンコーダーを提供する必要があります。

import org.Apache.spark.sql.catalyst.encoders.RowEncoder
import org.Apache.spark.sql.types._
import org.Apache.spark.sql.Row

// Yup, it would be possible to reuse df.schema here
val schema = StructType(Seq(
  StructField("year", IntegerType),
  StructField("make", StringType),
  StructField("model", StringType)
))

val encoder = RowEncoder(schema)

df.map {
  case Row(year, make: String, model) if make.toLowerCase == "tesla" => 
    Row(year, "S", model)
  case row => row
} (encoder)
69
zero323

データフレームスキーマが事前にわかっているシナリオでは、@ zero323で指定された答えがソリューションです

しかし、動的スキーマを使用したシナリオ/または複数のデータフレームを汎用関数に渡す場合:1.6.1から2.2.0への移行中に、次のコードが機能しました

import org.Apache.spark.sql.Row

val df = Seq(
   (2012, "Tesla", "S"), (1997, "Ford", "E350"),
   (2015, "Chevy", "Volt")
 ).toDF("year", "make", "model")

val data = df.rdd.map(row => {
  val row1 = row.getAs[String](1)
  val make = if (row1.toLowerCase == "tesla") "S" else row1
  Row(row(0),make,row(2))
})

このコードは両方のバージョンのsparkで実行されます。

欠点:sparkによって提供される最適化は、dataframe/datasets APIに適用されません。

5
PoojanKothari