我在 Python 中有一个可用的 lambda 函数，它计算数据集 1 中的每个字符串与数据集 2 中的字符串之间的最高相似度。在迭代期间，它将字符串、最佳匹配和相似度以及一些其他信息写入 bigquery。没有返回值，因为该函数的目的是将一行插入到 bigquery 数据集中。这个过程需要相当长的时间，这就是为什么我想使用 Pyspark 和 Dataproc 来加速这个过程。
将 pandas 数据帧转换为 spark 很容易。我无法注册我的 udf，因为它没有返回值，而 pyspark 需要一个。此外，我不明白如何将 python 中的“应用”函数映射到 pyspark 变体。所以基本上我的问题是如何转换下面的 python 代码以在 spark 数据帧上工作。
以下代码适用于常规 Python 环境:
def embargomatch(name, code, embargo_names):
find best match
insert best match and additional information to bigquery
customer_names.apply(lambda x: embargoMatch(x['name'], x['customer_code'],embargo_names),axis=1)
因为 pyspark 需要返回类型，所以我将“return 1”添加到 udf 并尝试了以下操作:
customer_names = spark.createDataFrame(customer_names)
from pyspark.sql.types import IntegerType
embargo_match_udf = udf(lambda x: embargoMatch(x['name'], x['customer_code'],embargo_names), IntegerType())
现在我无法尝试应用选择功能，因为我不知道要提供什么参数。
请您参考如下方法:
我怀疑您对如何将多列传递给 udf 感到困惑——这里是该问题的一个很好的答案:Pyspark: Pass multiple columns in UDF .
与其基于包装函数的 lambda 创建 udf，不如考虑通过直接基于 embargomatch 创建 udf 来简化。
embargo_names = ...
# The parameters here are the columns passed into the udf
def embargomatch(name, customer_code):
pass
embargo_match_udf = udf(embargomatch, IntegerType())
customer_names.select(embargo_match_udf(array('name', 'customer_code')).alias('column_name'))
话虽这么说，但怀疑您的 udf 没有返回任何内容——我通常将 udfs 视为向数据帧添加列的一种方式，但不会产生副作用。如果您想将记录插入到 bigquery 中，请考虑执行以下操作:
customer_names.select('column_name').write.parquet('gs://some/path')
os.system("bq load --source_format=PARQUET [DATASET].[TABLE] gs://some/path")
