mapInPandas

Mapuje iterátor dávek v aktuálním datovém rámci pomocí Python nativní funkce, která se provádí na datových rámcích pandas jako vstup i výstup, a vrátí výsledek jako datový rámec.

Syntaxe

mapInPandas(func: "PandasMapIterFunction", schema: Union[StructType, str], barrier: bool = False, profile: Optional[ResourceProfile] = None)

Parametry

Parameter	Typ	Description
func	funkce	nativní funkce Python, která přebírá iterátor pandas.DataFrames a vypíše iterátor pandas.DataFrames.
schema	Datový typ nebo str	návratový func typ v PySpark. Hodnota může být buď objekt, pyspark.sql.types.DataType nebo řetězec typu formátovaný DDL.
barrier	bool, optional, default False	Používejte provádění režimu bariéry a zajistěte, aby se všechny Python pracovní procesy ve fázi spouštěly souběžně.
profile	ResourceProfile, volitelné	Volitelný resourceProfile, který se má použít pro mapInPandas.

Návraty

DataFrame

Příklady

df = spark.createDataFrame([(1, 21), (2, 30)], ("id", "age"))

def filter_func(iterator):
    for pdf in iterator:
        yield pdf[pdf.id == 1]

df.mapInPandas(filter_func, df.schema).show()
# +---+---+
# | id|age|
# +---+---+
# |  1| 21|
# +---+---+

def mean_age(iterator):
    for pdf in iterator:
        yield pdf.groupby("id").mean().reset_index()

df.mapInPandas(mean_age, "id: bigint, age: double").show()
# +---+----+
# | id| age|
# +---+----+
# |  1|21.0|
# |  2|30.0|
# +---+----+

df.mapInPandas(filter_func, df.schema, barrier=True).collect()
# [Row(id=1, age=21)]