从0开始学习pyspark--用户自定义函数（UDF）和 pandas UDF[第6节]

在大数据处理中，数据的清洗和转换是不可避免的过程。PySpark 作为一个强大的分布式数据处理框架，提供了许多内置的函数来处理数据。然而，有时候我们需要执行一些更复杂或特定的逻辑，这时用户自定义函数（UDF）就派上用场了。在这篇博客中，我们将详细介绍 PySpark UDF 和 pandas UDF 的应用，并通过几个示例展示如何使用这些 UDF 处理数据。

什么是 PySpark UDF 和 pandas UDF？

PySpark UDF（User Defined Function，用户自定义函数）允许用户在 Spark SQL 查询中使用自定义的 Python 函数，从而增强数据处理的灵活性和功能。UDF 使我们能够实现复杂的逻辑，处理 Spark SQL 内置函数无法覆盖的场景。

pandas UDF（也称为 Vectorized UDF）是 PySpark 中的一种特殊类型的 UDF，利用了 Apache Arrow 来加速数据传输和处理。与传统的 PySpark UDF 不同，pandas UDF 在处理数据时能够利用 pandas 的高效数据操作能力，因此在处理大型数据集时具有显著的性能优势。

如何创建和使用 PySpark UDF

创建 PySpark UDF

创建 UDF 包括定义一个 Python 函数并使用 pyspark.sql.functions.udf 将其转换为 UDF。转换时还需要指定返回值的数据类型。

from pyspark.sql import SparkSession from pyspark.sql.functions import udf from pyspark.sql.types import StringType  # 创建 SparkSession spark = SparkSession.builder.appName("PySpark UDF Example").getOrCreate()  # 定义一个 Python 函数 def convert_case(text):     return text.upper()  # 将 Python 函数转换为 UDF，并  指定返回值的数据类型 convert_case_udf = udf(lambda z: convert_case(z), StringType()) 

使用 PySpark UDF

创建 UDF 后，可以通过 withColumn 或 select 方法将 UDF 应用于 DataFrame。

# 创建一个示例 DataFrame data = [("James", "Smith"), ("Anna", "Rose"), ("Robert", "Williams")] columns = ["First_Name", "Last_Name"] df = spark.createDataFrame(data, columns)  # 使用 UDF 在 DataFrame 上创建新列 df_with_udf = df.withColumn("Uppercase_First_Name", convert_case_udf(df["First_Name"]))  # 显示结果 df_with_udf.show() 

如何创建和使用 pandas UDF

创建 pandas UDF

要在 PySpark 中创建 pandas UDF，需要导入 pyspark.sql.functions.pandas_udf 模块，并使用 pandas_udf 装饰器将函数转换为 pandas UDF。与传统 UDF 不同，pandas UDF 可以处理 pandas Series 作为输入和输出。

from pyspark.sql.functions import pandas_udf from pyspark.sql.types import StringType  # 定义一个 Python 函数 def convert_case_pandas(s: pd.Series) -> pd.Series:     return s.str.upper()  # 将 Python 函数转换为 pandas UDF，并指定返回值的数据类型 convert_case_pandas_udf = pandas_udf(convert_case_pandas, StringType()) 

使用 pandas UDF

与 PySpark UDF 类似，pandas UDF 也可以通过 withColumn 或 select 方法应用于 DataFrame。

# 使用 pandas UDF 在 DataFrame 上创建新列 df_with_pandas_udf = df.withColumn("Uppercase_First_Name", convert_case_pandas_udf(df["First_Name"]))  # 显示结果 df_with_pandas_udf.show() 

实战案例

案例 1：字符串操作

假设我们有一个客户姓名的 DataFrame，需要将客户的姓和名合并成一个新的列，并将其转换为大写。

使用 PySpark UDF

# 定义合并姓名的函数 def merge_names(first_name, last_name):     return f"{first_name} {last_name}".upper()  # 将函数转换为 UDF merge_names_udf = udf(lambda x, y: merge_names(x, y), StringType())  # 使用 UDF 合并姓名并创建新列 df_with_merged_names = df.withColumn("Full_Name", merge_names_udf(df["First_Name"], df["Last_Name"]))  # 显示结果 df_with_merged_names.show() 

使用 pandas UDF

# 定义合并姓名的函数 def merge_names_pandas(first_name: pd.Series, last_name: pd.Series) -> pd.Series:     return (first_name + " " + last_name).str.upper()  # 将函数转换为 pandas UDF merge_names_pandas_udf = pandas_udf(merge_names_pandas, StringType())  # 使用 pandas UDF 合并姓名并创建新列 df_with_merged_names_pandas = df.withColumn("Full_Name", merge_names_pandas_udf(df["First_Name"], df["Last_Name"]))  # 显示结果 df_with_merged_names_pandas.show() 

案例 2：数值计算

假设我们有一个包含产品价格和税率的 DataFrame，现在需要计算每个产品的最终价格。

使用 PySpark UDF

from pyspark.sql.types import FloatType  # 定义计算最终价格的函数 def calculate_final_price(price, tax):     return price + (price * tax)  # 将函数转换为 UDF calculate_final_price_udf = udf(lambda x, y: calculate_final_price(x, y), FloatType())  # 创建一个示例 DataFrame data = [(100, 0.2), (200, 0.1), (300, 0.15)] columns = ["Price", "Tax"] df = spark.createDataFrame(data, columns)  # 使用 UDF 计算最终价格并创建新列 df_with_final_price = df.withColumn("Final_Price", calculate_final_price_udf(df["Price"], df["Tax"]))  # 显示结果 df_with_final_price.show() 

使用 pandas UDF

# 定义计算最终价格的函数 def calculate_final_price_pandas(price: pd.Series, tax: pd.Series) -> pd.Series:     return price + (price * tax)  # 将函数转换为 pandas UDF calculate_final_price_pandas_udf = pandas_udf(calculate_final_price_pandas, FloatType())  # 使用 pandas UDF 计算最终价格并创建新列 df_with_final_price_pandas = df.withColumn("Final_Price", calculate_final_price_pandas_udf(df["Price"], df["Tax"]))  # 显示结果 df_with_final_price_pandas.show() 

性能优化建议

虽然 PySpark UDF 提供了强大的功能，但由于其在 Python 解释器中运行，性能可能较低。为了提高性能，建议尽量使用 Spark SQL 内置函数或 pandas UDF（vectorized UDF），后者在处理速度上更加高效。

结论

PySpark UDF 和 pandas UDF 是处理复杂数据转换和清洗任务的有力工具。通过将自定义逻辑封装为 UDF，我们可以扩展 Spark SQL 的功能，满足特定的数据处理需求。在使用 UDF 时需要注意性能问题，并考虑使用更高效的替代方案。希望这篇博客能帮助你更好地理解和使用 PySpark UDF 和 pandas UDF。

---