如何在 PySpark 中创建返回字符串数组的 udf？

我有一个返回字符串列表的 udf。这应该不会太难。我在执行 udf 时传入数据类型，因为它返回一个字符串数组：ArrayType(StringType).

现在，不知怎的，这不起作用：

我正在操作的数据框是df_subsets_concat看起来像这样：

df_subsets_concat.show(3,False)

+----------------------+
|col1                  |
+----------------------+
|oculunt               |
|predistposed          |
|incredulous           |
+----------------------+
only showing top 3 rows

代码是

from pyspark.sql.types import ArrayType, FloatType, StringType

my_udf = lambda domain: ['s','n']
label_udf = udf(my_udf, ArrayType(StringType))
df_subsets_concat_with_md = df_subsets_concat.withColumn('subset', label_udf(df_subsets_concat.col1))

结果是

/usr/lib/spark/python/pyspark/sql/types.py in __init__(self, elementType, containsNull)
    288         False
    289         """
--> 290         assert isinstance(elementType, DataType), "elementType should be DataType"
    291         self.elementType = elementType
    292         self.containsNull = containsNull

AssertionError: elementType should be DataType

据我了解，这是执行此操作的正确方法。以下是一些资源：pySpark 数据框“assert isinstance(dataType, DataType),”dataType 应该是 DataType” https://stackoverflow.com/questions/30105258/pyspark-data-frames-assert-isinstancedatatype-datatype-datatype-should-be 如何在 PySpark 的 UDF 中返回“元组类型”？ https://stackoverflow.com/questions/36840563/how-to-return-a-tuple-type-in-a-udf-in-pyspark

但这些都没有帮助我解决为什么这不起作用。我正在使用 pyspark 1.6.1。

如何在 pyspark 中创建返回字符串数组的 udf？

你需要初始化一个StringType实例：

label_udf = udf(my_udf, ArrayType(StringType()))
#                                           ^^ 
df.withColumn('subset', label_udf(df.col1)).show()
+------------+------+
|        col1|subset|
+------------+------+
|     oculunt|[s, n]|
|predistposed|[s, n]|
| incredulous|[s, n]|
+------------+------+