为什么在执行某些函数后使用nullable = true
,即使DataFrame
中没有NaN值。
val myDf = Seq((2,"A"),(2,"B"),(1,"C"))
.toDF("foo","bar")
.withColumn("foo", 'foo.cast("Int"))
myDf.withColumn("foo_2", when($"foo" === 2 , 1).otherwise(0)).select("foo", "foo_2").show
当df.printSchema
被调用时,nullable
将成为两列的false
。
val foo: (Int => String) = (t: Int) => {
fooMap.get(t) match {
case Some(tt) => tt
case None => "notFound"
}
}
val fooMap = Map(
1 -> "small",
2 -> "big"
)
val fooUDF = udf(foo)
myDf
.withColumn("foo", fooUDF(col("foo")))
.withColumn("foo_2", when($"foo" === 2 , 1).otherwise(0)).select("foo", "foo_2")
.select("foo", "foo_2")
.printSchema
然而现在,nullable
是true
至少有一个列,之前是false
。怎么解释这个?
当从静态类型结构创建Dataset
时(不依赖于schema
参数),Spark使用一组相对简单的规则来确定nullable
属性。
null
,那么它的DataFrame
表示是nullable
。Option[_]
然后它的DataFrame
表示是nullable
与None
被认为是SQL NULL
。nullable
。由于Scala String
是java.lang.String
,可以是null
,生成的列可以是nullable
。出于同样的原因,bar
列在初始数据集中是nullable
:
val data1 = Seq[(Int, String)]((2, "A"), (2, "B"), (1, "C"))
val df1 = data1.toDF("foo", "bar")
df1.schema("bar").nullable
Boolean = true
但foo
不是(scala.Int
不能是null
)。
df1.schema("foo").nullable
Boolean = false
如果我们将数据定义更改为:
val data2 = Seq[(Integer, String)]((2, "A"), (2, "B"), (1, "C"))
foo
将是nullable
(Integer
是java.lang.Integer
和盒装整数可以是null
):
data2.toDF("foo", "bar").schema("foo").nullable
Boolean = true
另请参阅:SPARK-20668修改ScalaUDF以处理可空性。
您也可以非常快速地更改数据框架。像这样的事情可以胜任这项工作 -
def setNullableStateForAllColumns( df: DataFrame, columnMap: Map[String, Boolean]) : DataFrame = {
import org.apache.spark.sql.types.{StructField, StructType}
// get schema
val schema = df.schema
val newSchema = StructType(schema.map {
case StructField( c, d, n, m) =>
StructField( c, d, columnMap.getOrElse(c, default = n), m)
})
// apply new schema
df.sqlContext.createDataFrame( df.rdd, newSchema )
}