使用AWS Glue Jobs将缺少的列值设置为默认值

Question

我正在尝试使用Glue从dynamodb提取数据集到s3。在此过程中，我想选择少量列，然后为具有缺失值的任何和所有行/列设置默认值。

我目前尝试使用“Map”功能，但它似乎没有调用我的方法。

这是我有的：

def SetDefaults(rec):
    print("checking record")
    for col in rec:
        if not rec[col]:
            rec[col] = "missing"
    return rec

## Read raw(source) data from target DynamoDB 
raw_data_dyf = glueContext.create_dynamic_frame_from_options("dynamodb", {"dynamodb.input.tableName" : my_dynamodb_table, "dynamodb.throughput.read.percent" : "0.50" } )

## Get the necessary columns  
selected_data_dyf = ApplyMapping.apply(frame = raw_data_dyf, mappings = mappingList)

## get rid of null values
mapped_dyF = Map.apply(frame=selected_data_dyf, f=SetDefaults)

## write it all out as a csv
datasink = glueContext.write_dynamic_frame.from_options(frame=mapped_dyF , connection_type="s3", connection_options={ "path": my_train_data }, format="csv", format_options = {"writeHeader": False , "quoteChar": "-1" })

我的ApplyMapping.apply调用正在做正确的事情，其中​​mappingList由一堆定义：

mappingList.append(('gsaid', 'bigint', 'gsaid', 'bigint'))
mappingList.append(('objectid', 'bigint', 'objectid', 'bigint'))
mappingList.append(('objecttype', 'bigint', 'objecttype', 'bigint'))

我没有错误，一切都完成了。我的数据全部在s3中，但仍有许多空值，而不是我想要的“缺失”条目。

“检查记录”打印语句永远不会打印出来。我在这里错过了什么？

Answer 1

替代方案：

1. 将DynamicFrame转换为Spark DataFrame
2. 使用DataFrame的fillna（）方法填充空值
3. 将DataFrame转换回DynamicFrame