计算一次UDF

Question

我想在 pyspark 数据框中有一个只计算一次的 UUID 列，这样我就可以 select 不同数据框中的列并使 UUID 相同。但是，当我 select 列时，会重新计算 UUID 列的 UDF。

这是我正在尝试做的事情：

>>> uuid_udf = udf(lambda: str(uuid.uuid4()), StringType())
>>> a = spark.createDataFrame([[1, 2]], ['col1', 'col2'])
>>> a = a.withColumn('id', uuid_udf())
>>> a.collect()
[Row(col1=1, col2=2, id='5ac8f818-e2d8-4c50-bae2-0ced7d72ef4f')]
>>> b = a.select('id')
>>> b.collect()
[Row(id='12ec9913-21e1-47bd-9c59-6ddbe2365247')]  # Wanted this to be the same ID as above

可能的解决方法：rand()

一个可能的解决方法是使用 pyspark.sql.functions.rand() 作为我的随机源。但是，有两个问题：

1) 我希望 UUID 中包含字母，而不仅仅是数字，这样它就不需要那么长

2) 虽然它在技术上可行，但它会产生难看的 UUID：

>>> from pyspark.sql.functions import rand, round
>>> a = a.withColumn('id', round(rand() * 10e16))
>>> a.collect()
[Row(col1=1, col2=2, id=7.34745165108606e+16)]

Answer 1

您的 UUID 不断变化的原因是因为您的数据帧在每次操作后都会被反复计算。

为了稳定你的结果，你可以只使用 persist 或 cache（取决于你的数据帧的大小）。

df.persist()

df.show()                                                                                          
+---+--------------------+
| id|                uuid|
+---+--------------------+
|  0|e3db115b-6b6a-424...|
+---+--------------------+


b = df.select("uuid")                                                                              

b.show()                                                                                           
+--------------------+
|                uuid|
+--------------------+
|e3db115b-6b6a-424...|
+--------------------+

Answer 2

改为使用 Spark 内置 uuid 函数：

a = a.withColumn('id', expr("uuid()"))
b = a.select('id')

b.collect()
[Row(id='da301bea-4927-4b6b-a1cf-518dea8705c4')]

a.collect()
[Row(col1=1, col2=2, id='da301bea-4927-4b6b-a1cf-518dea8705c4')]

计算一次UDF

Calculate UDF once

apache-spark

pyspark

user-defined-functions

pyspark-sql

uuid