Spark UDF 不适用于 Double 字段中的空值

Question

我正在尝试编写一个 spark UDF，用 0.0 替换 Double 字段的空值。我正在使用数据集 API。这是 UDF：

val coalesceToZero=udf((rate: Double) =>  if(Option(rate).isDefined) rate else 0.0)

这是基于我测试工作正常的以下函数：

def cz(value: Double): Double = if(Option(value).isDefined) value else 0.0

cz(null.asInstanceOf[Double])
cz: (value: Double)Double
res15: Double = 0.0

但是当我以下列方式在 Spark 中使用它时，UDF 不起作用。

myDS.filter($"rate".isNull)
    .select($"rate", coalesceToZero($"rate")).show

+----+---------+
|rate|UDF(rate)|
+----+---------+
|null|     null|
|null|     null|
|null|     null|
|null|     null|
|null|     null|
|null|     null|
+----+---------+

但是以下方法有效：

val coalesceToZero=udf((rate: Any) =>  if(rate == null) 0.0 else rate.asInstanceOf[Double])

所以我想知道 Spark 是否有一些特殊的方法来处理 null Double 值。

Answer 1

scala.Double 不能是 null 并且您使用的函数似乎只起作用，因为：

scala> null.asInstanceOf[Double]
res2: Double = 0.0

（您可以在 If an Int can't be null, what does null.asInstanceOf[Int] mean? 中找到描述此行为的优秀答案）。

如果 myDS 是静态类型数据集，正确的方法是使用 Option[Double]:

case class MyCaseClass(rate: Option[Double])

或java.lang.Double:

case class MyCaseClass(rate: java.lang.Double)

其中任何一个都允许您使用静态类型的 API（不是 SQL / DataFrame）处理 nulls，从性能的角度来看，后一种表示是有利的.

一般来说，我建议使用 SQL API:

来填充 NULLs

import org.apache.spark.sql.functions.{coalesce, lit}

myDS.withColumn("rate", coalesce($"rate", lit(0.0)))

或DataFrameNaFunctions.fill:

df.na.fill(0.0, Seq("rate"))

在将 Dataset[Row] 转换为 Dataset[MyCaseClass] 之前。

Spark UDF 不适用于 Double 字段中的空值

Spark UDF not working with null values in Double field

scala

apache-spark

apache-spark-dataset