Spark SQL은 이와 같은 방법을 제공하지는 않지만 알고 있습니다. 약간 RDD
과 약간의 NumPy.
from pyspark.ml.linalg import DenseVector, Vector
import numpy as np
df = sc.parallelize([
(1, DenseVector([57.0, 1.0, 0.0, 0.0])),
(2, DenseVector([63.0, float("NaN"), 0.0, 0.0])),
(3, DenseVector([74.0, 1.0, 3.0, float("NaN")])),
(4, DenseVector([67.0, float("NaN"), 0.0, 0.0])),
(5, DenseVector([float("NaN"), 1.0, float("NaN"), float("NaN")])),
]).toDF(["id", "features"])
(df
.select("features")
.rdd
.map(lambda x: np.isnan(x.features.array))
.sum())
array([1, 2, 1, 2])
당신은 할 수 SQL과 유사한 것은 그것은 훨씬 더 많은 노력이 필요하지만. 도우미 기능 : 마지막 select
from pyspark.sql.functions import col, isnan, sum as sum_
feature_array = as_array("features").alias("features")
:
(df
.na.drop(subset=["features"])
.select([sum_(isnan(feature_array[i]).cast("bigint")) for i in range(vlen)]))
from pyspark.sql.functions import col, size
(vlen,) = df.na.drop().select(size(as_array(col("features")))).first()
가 식을 만듭니다
from pyspark.sql.functions import udf
from pyspark.sql.types import ArrayType, DoubleType
from pyspark.sql import Column
from typing import List
def as_array(c: Column) -> Column:
def as_array_(v: Vector) -> List[float]:
return v.array.tolist()
return udf(as_array_, ArrayType(DoubleType()))(c)
는 벡터의 크기를 결정