UDF non supportano varargs *, ma è possibile passare un numero arbitrario di colonne avvolto utilizzando una funzione array
:
import org.apache.spark.sql.functions.{udf, array, lit}
val myConcatFunc = (xs: Seq[Any], sep: String) =>
xs.filter(_ != null).mkString(sep)
val myConcat = udf(myConcatFunc)
un esempio d'uso:
val df = sc.parallelize(Seq(
(null, "a", "b", "c"), ("d", null, null, "e")
)).toDF("x1", "x2", "x3", "x4")
val cols = array($"x1", $"x2", $"x3", $"x4")
val sep = lit("-")
df.select(myConcat(cols, sep).alias("concatenated")).show
// +------------+
// |concatenated|
// +------------+
// | a-b-c|
// | d-e|
// +------------+
Con SQL prime:
df.registerTempTable("df")
sqlContext.udf.register("myConcat", myConcatFunc)
sqlContext.sql(
"SELECT myConcat(array(x1, x2, x4), '.') AS concatenated FROM df"
).show
// +------------+
// |concatenated|
// +------------+
// | a.c|
// | d.e|
// +------------+
Un approccio un po 'più complicato non si usa UDF a tutti e comporre le espressioni SQL con qualcosa di meno così:
import org.apache.spark.sql.functions._
import org.apache.spark.sql.Column
def myConcatExpr(sep: String, cols: Column*) = regexp_replace(concat(
cols.foldLeft(lit(""))(
(acc, c) => when(c.isNotNull, concat(acc, c, lit(sep))).otherwise(acc)
)
), s"($sep)?$$", "")
df.select(
myConcatExpr("-", $"x1", $"x2", $"x3", $"x4").alias("concatenated")
).show
// +------------+
// |concatenated|
// +------------+
// | a-b-c|
// | d-e|
// +------------+
ma dubito ne vale la pena lo sforzo a meno che non si lavori con PySpark.
* Se si passa una funzione tramite varargs sarà spogliato da tutto lo zucchero sintattico e conseguente UDF si aspettano un ArrayType
. Per esempio:
def f(s: String*) = s.mkString
udf(f _)
sarà di tipo:
UserDefinedFunction(<function1>,StringType,List(ArrayType(StringType,true)))
Ciao, C'è un modo per ottenere il nome di colonna mentre concatenando ... – Kalpesh
No, a meno che non si passa nomi delle colonne in modo esplicito come valori letterali. – zero323
Hey, grazie, puoi condividere la sintassi per lo stesso array – Kalpesh