Databricks spark UDF 不适用于过滤后的数据框

Question

我在使用 Pyspark 的 Databricks 中遇到了一个问题，我试图理解为什么这个实现不起作用，如果我在这里遗漏了一些概念性的东西。我想要做的是运行数据框中列上的 UDF，但仅限于非空值。

如果我用像“Val123”这样的固定值替换 lstrip_udf 调用，那么它工作正常，但它不适用于 UDF。如果我在 UDF 中实现了一个空检查，但实现有点不同，那么它也可以工作。但是即使有 when 和 IsNotNull 它仍然会抛出以下错误。

有人可以解释为什么或我在这里缺少什么来完成这项工作吗？

代码：

from pyspark.sql.types import StructType, StructField, IntegerType, StringType, BooleanType, TimestampType
inputschema = StructType([StructField("testcol", StringType(), True),
                          StructField("testcol2", StringType(), True)
                         ]
                        )
inputfile = spark.createDataFrame([("012121212","Ref #1"),
                                   ("0034343434","Ref #2"),
                                   ("0034343434","Ref #3"),
                                   (None,"Ref #4"),
                                   (None,"Ref #5"),
                                   ("00998877","Ref #6")
                                  ],
                                  schema = inputschema
                                 )
#display(inputfile)

from pyspark.sql.functions import col, when, lit
column_name = "testcol"
lstrip_udf = udf(lambda s: s.lstrip().lstrip("0"), StringType())
outputfile = (inputfile.withColumn(column_name,
                                  when(col(column_name).isNotNull(),
                                       lstrip_udf(col(column_name)) #replace this line with "Val123" and it works
                                      )
                                 ))
display(outputfile)

错误：

File "<command-3701821159856508>", line 18, in <lambda>
AttributeError: 'NoneType' object has no attribute 'lstrip'

谢谢

Answer 1

这可能是 Spark 中的一个错误，所以这里是对 UDF 的一个小修改，解决了这个问题：

lstrip_udf = udf(lambda s: s.lstrip().lstrip("0") if s is not None else None, StringType())

或者你可以使用 Spark SQL 来做这个，这比使用 UDF 更高效：

outputfile = (
    inputfile.withColumn(column_name,
        F.when(col(column_name).isNotNull(),
            F.expr("ltrim('0', ltrim('',testcol))")
        )
    )
)

Databricks spark UDF 不适用于过滤后的数据框

Databricks spark UDF not working on filtered dataframe

python

user-defined-functions

apache-spark-sql

pyspark

databricks