使用 Java 在 Apache Spark 中的数据集的单个列上应用函数

Question

假设我有一个数据集：

Dataset<Row> sqlDF = this.spark.sql("SELECT first_name, last_name, age from persons";

这将 return 一个包含三列的 Dataset：first_name、last_name、年龄。

我想应用一个函数，将 5 添加到 age 列和 return 一个新数据集，其列与原始数据集相同，但年龄值已更改：

public int add_age(int old_age){
     return old_age + 5;
}

如何在 Java 上使用 Apache Spark 执行此操作？

Answer 1

我通过制作一个 StructType 并向其添加三列来解决这个问题，然后将每个列映射到新构造的行并将函数应用到行列 age 使用 RowFactory:

    StructType customStructType = new StructType();

    customStructType = customStructType.add("first_name", DataTypes.StringType, true);
    customStructType = customStructType.add("last_name", DataTypes.StringType, true);
    customStructType = customStructType.add("age", DataTypes.IntegerType, true);

    ExpressionEncoder<Row> customTypeEncoder = null;
    Dataset<Row> changed_data = sqlDF.map(row->{
          return RowFactory.create(row.get(0),row.get(1), add_age(row.get(2)));
            }, RowEncoder.apply(customStructType));