Passare l'array come parametro UDF in Spark SQL

Question

Sto provando a trasformare un dataframe tramite una funzione che accetta un array come parametro. Il mio codice simile a questa:

def getCategory(categories:Array[String], input:String): String = { 
    categories(input.toInt) 
} 

val myArray = Array("a", "b", "c") 

val myCategories =udf(getCategory _) 

val df = sqlContext.parquetFile("myfile.parquet) 

val df1 = df.withColumn("newCategory", myCategories(lit(myArray), col("myInput")) 

Tuttavia, illuminato non ama gli array e questo gli errori di script. Ho provato definining una nuova funzione parzialmente applicata e quindi FSU dopo che:

val newFunc = getCategory(myArray, _:String) 
val myCategories = udf(newFunc) 

val df1 = df.withColumn("newCategory", myCategories(col("myInput"))) 

questo non funziona sia come ottengo un'eccezione NullPointer e sembra myArray non viene riconosciuta. Qualche idea su come passare un array come parametro per una funzione con un dataframe?

In una nota a parte, qualsiasi spiegazione sul perché fare qualcosa di semplice come utilizzare una funzione su un dataframe è così complicata (definire la funzione, ridefinirla come UDF, ecc. Ecc.)?

Answer 1

Molto probabilmente non è la soluzione più bella, ma si può provare qualcosa di simile:

def getCategory(categories: Array[String]) = { 
    udf((input:String) => categories(input.toInt)) 
} 

df.withColumn("newCategory", getCategory(myArray)(col("myInput"))) 

Si potrebbe anche provare un array di letterali:

val getCategory = udf(
    (input:String, categories: Array[String]) => categories(input.toInt)) 

df.withColumn(
    "newCategory", getCategory($"myInput", array(myArray.map(lit(_)): _*))) 

Su un lato nota utilizzando Map invece di Array è probabilmente un'idea migliore:

def mapCategory(categories: Map[String, String], default: String) = { 
    udf((input:String) => categories.getOrElse(input, default)) 
} 

val myMap = Map[String, String]("1" -> "a", "2" -> "b", "3" -> "c") 

df.withColumn("newCategory", mapCategory(myMap, "foo")(col("myInput"))) 

Dal momento che Spark 1.5.0 è anche possibile utilizzare una funzione array:

import org.apache.spark.sql.functions.array 

val colArray = array(myArray map(lit _): _*) 
myCategories(lit(colArray), col("myInput")) 

Vedi anche Spark UDF with varargs