为距离过滤 Spark SQL 数据帧

Question

我有一个带有纬度和经度列的 Spark SQL DataDrame，我试图通过计算到输入的距离来过滤低于阈值的行。我当前的代码看起来像。我正在使用 geopy (great_circle) 来计算经纬对之间的距离。

from geopy.distance import great_circle

point = (10, 20)
threshold = 10
filtered_df = df.filter(great_circle(point, (df.lat, df.lon)) < threshold)

当我运行这段代码时，我得到以下错误

ValueError: Cannot convert column into bool: please use '&' for 'and', '|' for 'or', '~' for 'not' when building DataFrame boolean expressions.

我很困惑过滤器表达式的哪一部分是错误的。

Answer 1

您不能在 DataFrame 上应用纯 Python 函数。你必须使用 udf:

from pyspark.sql.functions import udf

@udf("float")
def great_circle_udf(x, y):
    return great_circle(x, y).kilometers

并将其应用于列

from pyspark.sql.functions import lit, struct

point = struct(lit(10), lit(20))
df.filter(great_circle_udf(point, struct(df.lat, df.lon)) < threshold))

装饰器语法自 2.2 起可用，对于早期版本，您需要标准 udf 调用：

udf(great_circle, FloatType())

为距离过滤 Spark SQL 数据帧

Filtering Spark SQL dataframe for distance

python

geopy

apache-spark

apache-spark-sql

pyspark