我正在编写一个结构化的流作业,该作业从eventhub接收数据。经过一些准备后,我在每一行上应用了pandas_udf函数,以使用泡菜模型进行预测来创建新列。
我遇到了一个严重的问题:有时pandas_udf的输入是一组行而不是一行(按预期)。这导致我出错:
RuntimeError: Result vector from pandas_udf was not the required length: expected 2, got 1
之所以会这样,是因为pandas_udf收到多行(在本例中为2)。
这怎么可能? .withColumn不应该在每一行上逐行执行吗?
这是我的代码:
dfInt = spark \
.readStream \
.load() \
.selectExpr("cast (body as string) as json") \
.select(from_json("json",schema).alias("data")) \
.withColumn("k", expr("uuid()")) \
.select("key", explode("data.features").alias("feat")) \
.select("feat.*", "key") \
.groupBy("k") \
.agg(*expressions) \
.drop("k") \
.na.drop() \
.withColumn("prediction", predict( (F.struct([col(x) for x in (features)]))))
pandas_udf为以下:
@pandas_udf(FloatType())
def predict(x):
return pd.Series(pickle_model.predict_proba(x)[0][1])
实际上,问题似乎出在udf的withColumn调用之前,因为更多的行来自上一步。groupBy聚合返回单个行,因为进行分组依据的键是唯一的。
您知道是什么原因吗?
在这种情况下,您使用的是SCALAR pandas_udf
,它将熊猫系列作为输入并返回相同大小的pandas.Series
。我不知道内部的确切细节,但我的理解是,每个执行器都会将您的列(F.struct([col(x) for x in (features)])
)转换为执行器当前正在处理的Dataframe分区的pandas.Series
并将该函数应用于系列。一个分区由许多行组成,因此您不能假定该系列的长度仅为一。您需要确保为所有行保留所有预测的Proba。您可能可以做这样的事情(假设您确实只对保持1类概率感兴趣):
@pandas_udf(FloatType())
def predict(x):
return pd.Series(pickle_model.predict_proba(x)[:,1])