PySpark：UDF 未在数据帧上执行

Question

我在 Azure 上的 Jupyter 中使用 PySpark。我正在尝试在数据帧上使用 UDF 进行测试，但是 UDF 没有执行。

我的数据框由以下人员创建：

users = sqlContext.sql("SELECT DISTINCT userid FROM FoodDiaryData")

我已确认此数据框填充了 100 行。在下一个单元格中，我尝试执行一个简单的 udf。

def iterateMeals(user):
    print user

users.foreach(iterateMeals)

这不会产生任何输出。我本来希望数据框中的每个条目都已打印出来。但是，如果我只是尝试 iterateMeals('test')，它将触发并打印 'test'。我也尝试使用 pyspark.sql.functions

from pyspark.sql.functions import udf

def iterateMeals(user):
    print user
f_iterateMeals = udf(iterateMeals,LongType())

users.foreach(f_iterateMeals)

当我尝试这个时，我收到以下错误：

Py4JError: An error occurred while calling o461.__getnewargs__. Trace:
py4j.Py4JException: Method __getnewargs__([]) does not exist

谁能解释一下我哪里出错了？我将需要在该应用程序的 .foreach 数据帧内执行 udfs。

Answer 1

您不会看到输出，因为 print 在工作节点上执行并转到相应的输出。有关完整说明，请参阅。
foreach 在 RDD 而不是 DataFrame 上运行。 UDFs 在此上下文中无效。

PySpark：UDF 未在数据帧上执行

PySpark: UDF is not executing on a dataframe

python

pyspark

apache-spark-sql

user-defined-functions

pyspark-sql