pandas 用户定义函数
pandas 用户定义函数 (UDF) 也称为向量化 UDF,是一个用户定义函数,它使用 Apache Arrow 来传输数据并使用 pandas 来处理数据。 pandas UDF 允许向量化操作,与一次一行的 Python UDF 相比,这些操作可将性能提高到 100 倍。
有关背景信息,请参阅博客文章:即将发布的 Apache Spark 3.0 中新增的 Pandas UDF 和 Python 类型提示。
你将使用关键字 pandas_udf
作为修饰器来定义 pandas UDF,并使用 Python 类型提示来包装函数。
本文介绍了不同类型的 pandas UDF,并展示了如何将 pandas UDF 与类型提示配合使用。
你可以使用序列到序列 pandas UDF 将标量运算矢量化。
可以将它们与 select
和 withColumn
等 API 一起使用。
Python 函数应采用 pandas 序列作为输入,并返回相同长度的 pandas 序列。你应在 Python 类型提示中指定这些。 Spark 通过以下方式运行 pandas UDF:将列拆分为批,为作为数据子集的每个批调用函数,然后将结果连接起来。
以下示例展示了如何创建一个 pandas UDF 来计算 2 个列的乘积。
import pandas as pd
from pyspark.sql.functions import col, pandas_udf
from pyspark.sql.types import LongType
# Declare the function and create the UDF
def multiply_func(a: pd.Series, b: pd.Series) -> pd.Series:
return a * b
multiply = pandas_udf(multiply_func, returnType=LongType())
# The function for a pandas_udf should be able to execute with local pandas data
x = pd.Series([1, 2, 3])
print(multiply_func(x, x))
# 0 1
# 1 4
# 2 9
# dtype: int64
# Create a Spark DataFrame, 'spark' is an existing SparkSession
df = spark.createDataFrame(pd.DataFrame(x, columns=["x"]))
# Execute function as a Spark vectorized UDF
df.select(multiply(col("x"), col("x"))).show()
# +-------------------+
# |multiply_func(x, x)|
# +-------------------+
# | 1|
# | 4|
# | 9|
# +-------------------+
除了以下方面之外,迭代器 UDF 与标量 pandas UDF 相同:
- Python 函数
- 采用批的迭代器而非单个输入批作为输入。
- 返回输出批的迭代器,而非单个输出批。
- 迭代器中整个输出的长度应与整个输入的长度相同。
- 包装的 pandas UDF 采用单个 Spark 列作为输入。
你应将 Python 类型提示指定为 Iterator[pandas.Series]
->Iterator[pandas.Series]
。
当 UDF 执行需要初始化某个状态时,此 pandas UDF 非常有用,例如,加载机器学习模型文件以将推理应用于每个输入批。
以下示例展示了如何创建具有迭代器支持的 pandas UDF。
import pandas as pd
from typing import Iterator
from pyspark.sql.functions import col, pandas_udf, struct
pdf = pd.DataFrame([1, 2, 3], columns=["x"])
df = spark.createDataFrame(pdf)
# When the UDF is called with the column,
# the input to the underlying function is an iterator of pd.Series.
@pandas_udf("long")
def plus_one(batch_iter: Iterator[pd.Series]) -> Iterator[pd.Series]:
for x in batch_iter:
yield x + 1
df.select(plus_one(col("x"))).show()
# +-----------+
# |plus_one(x)|
# +-----------+
# | 2|
# | 3|
# | 4|
# +-----------+
# In the UDF, you can initialize some state before processing batches.
# Wrap your code with try/finally or use context managers to ensure
# the release of resources at the end.
y_bc = spark.sparkContext.broadcast(1)
@pandas_udf("long")
def plus_y(batch_iter: Iterator[pd.Series]) -> Iterator[pd.Series]:
y = y_bc.value # initialize states
try:
for x in batch_iter:
yield x + y
finally:
pass # release resources here, if any
df.select(plus_y(col("x"))).show()
# +---------+
# |plus_y(x)|
# +---------+
# | 2|
# | 3|
# | 4|
# +---------+
与序列迭代器到序列迭代器 UDF 相比,多序列迭代器到序列迭代器 UDF 具有类似的特性和限制。 指定的函数接受批迭代器并输出批迭代器。 当 UDF 执行需要初始化某个状态时,它也很有用。
区别在于:
- 基础 Python 函数采用 pandas 序列的元组的迭代器。
- 包装的 pandas UDF 采用多个 Spark 列作为输入。
将类型提示指定为 Iterator[Tuple[pandas.Series, ...]]
->Iterator[pandas.Series]
。
from typing import Iterator, Tuple
import pandas as pd
from pyspark.sql.functions import col, pandas_udf, struct
pdf = pd.DataFrame([1, 2, 3], columns=["x"])
df = spark.createDataFrame(pdf)
@pandas_udf("long")
def multiply_two_cols(
iterator: Iterator[Tuple[pd.Series, pd.Series]]) -> Iterator[pd.Series]:
for a, b in iterator:
yield a * b
df.select(multiply_two_cols("x", "x")).show()
# +-----------------------+
# |multiply_two_cols(x, x)|
# +-----------------------+
# | 1|
# | 4|
# | 9|
# +-----------------------+
序列到标量 pandas UDF 类似于 Spark 聚合函数。
序列到标量 pandas UDF 定义从一个或多个 pandas 序列到标量值的聚合,其中的每个 pandas 序列表示一个 Spark 列。
通过 API(例如 select
、withColumn
、groupBy.agg
和 pyspark.sql.Window)使用序列到标量 pandas UDF。
将类型提示表示为 pandas.Series, ...
->Any
。 返回类型应当是一个基元数据类型,返回的标量可以是 Python 基元类型,例如 int
或 float
或 NumPy 数据类型(如 numpy.int64
或 numpy.float64
)。 理想情况下,Any
应当是一个特定的标量类型。
此类型的 UDF 不支持部分聚合,每个组的所有数据都将加载到内存中。
以下示例展示了如何使用此类型的 UDF 通过 select
、groupBy
和 window
运算来计算平均值:
import pandas as pd
from pyspark.sql.functions import pandas_udf
from pyspark.sql import Window
df = spark.createDataFrame(
[(1, 1.0), (1, 2.0), (2, 3.0), (2, 5.0), (2, 10.0)],
("id", "v"))
# Declare the function and create the UDF
@pandas_udf("double")
def mean_udf(v: pd.Series) -> float:
return v.mean()
df.select(mean_udf(df['v'])).show()
# +-----------+
# |mean_udf(v)|
# +-----------+
# | 4.2|
# +-----------+
df.groupby("id").agg(mean_udf(df['v'])).show()
# +---+-----------+
# | id|mean_udf(v)|
# +---+-----------+
# | 1| 1.5|
# | 2| 6.0|
# +---+-----------+
w = Window \
.partitionBy('id') \
.rowsBetween(Window.unboundedPreceding, Window.unboundedFollowing)
df.withColumn('mean_v', mean_udf(df['v']).over(w)).show()
# +---+----+------+
# | id| v|mean_v|
# +---+----+------+
# | 1| 1.0| 1.5|
# | 1| 2.0| 1.5|
# | 2| 3.0| 6.0|
# | 2| 5.0| 6.0|
# | 2|10.0| 6.0|
# +---+----+------+
有关详细用法,请参阅 pyspark.sql.functions.pandas_udf。
备注
此配置不会影响使用共享访问模式和 Databricks Runtime 13.3 LTS 到 14.2 配置的计算。
Spark 中的数据分区将被转换为 Arrow 记录批,这可能会暂时导致 JVM 中的内存使用率过高。 为了避免可能的内存不足异常,可以调整 Arrow 记录批的大小,方法是:将 spark.sql.execution.arrow.maxRecordsPerBatch
配置设置为一个用于确定每个批的最大行数的整数。 默认值为每批 10,000 条记录。 如果列数较大,则应相应地调整值。 使用此限制,每个数据分区将拆分为 1 个或多个记录批来进行处理。
Spark 在内部将时间戳存储为 UTC 值,在未指定时区的情况下引入的时间戳数据将作为本地时间转换为 UTC,并提供微秒分辨率。
在 Spark 中导出或显示时间戳数据时,将使用会话时区来本地化时间戳值。 会话时区是通过 spark.sql.session.timeZone
配置设置的,默认为 JVM 系统本地时区。 pandas 使用纳秒分辨率为 datetime64[ns]
的 datetime64
类型,每个列有可选的时区。
将时间戳数据从 Spark 传输到 pandas 时,会将其转换为纳秒,并将每列转换为 Spark 会话时区,然后将其本地化为该时区,这样会删除时区并将值显示为本地时间。 带时间戳列调用 toPandas()
或 pandas_udf
时,会发生这种情况。
将时间戳数据从 pandas 传输到 Spark 时,会将其转换为 UTC 微秒。 当使用 pandas 数据帧调用 createDataFrame
或从 pandas UDF 返回时间戳时,会发生这种情况。 这些转换会自动执行,目的是确保 Spark 具有预期格式的数据,因此你自己无需执行任何此类转换。 任何纳秒值都会被截断。
标准 UDF 将时间戳数据加载为 Python 日期/时间对象,这不同于 pandas 时间戳。 为了获得最佳性能,我们建议你在 pandas UDF 中使用时间戳时使用 pandas 时序功能。 有关详细信息,请参阅时序/日期功能。
以下笔记本演示了可以通过 pandas UDF 实现的性能改进: