将元组列表作为参数传递给 scala 中的 Spark udf

我正在尝试将元组列表传递给 scala 中的 udf。我不确定如何为此准确定义数据类型。我试图将其作为整行传递，但它无法真正解决它。我需要根据元组的第一个元素对列表进行排序，然后发回 n 个元素。我已经尝试过以下 udf 定义

def udfFilterPath = udf((id: Long, idList: Array[structType[Long, String]] )

def udfFilterPath = udf((id: Long, idList: Array[Tuple2[Long, String]] )

def udfFilterPath = udf((id: Long, idList: Row)

idList 如下所示：

[[1234,"Tony"], [2345, "Angela"]]
[[1234,"Tony"], [234545, "Ruby"], [353445, "Ria"]]

这是一个像上面一样有 100 行的数据框。我这样称呼udf：

testSet.select("id", "idList").withColumn("result", udfFilterPath($"id", $"idList")).show

当我打印数据帧的架构时，它会将其读取为结构数组。 idList 本身是通过对按键分组并存储在数据帧中的一列元组进行收集列表来生成的。关于我做错了什么有什么想法吗？谢谢！

定义 UDF 时，您应该使用普通的 Scala 类型（例如元组、基元...）并且notSpark SQL 类型（例如StructType）作为输出类型.

至于input类型 - 这就是它变得棘手的地方（并且没有太多记录） - 元组数组实际上是一个mutable.WrappedArray[Row]。所以 - 你必须“转变”首先将每一行放入一个元组中，然后您可以进行排序并返回结果。

最后，根据你的描述，似乎id根本不使用列，因此我将其从 UDF 定义中删除，但可以轻松将其添加回来。

val udfFilterPath = udf { idList: mutable.WrappedArray[Row] =>
  // converts the array items into tuples, sorts by first item and returns first two tuples:
  idList.map(r => (r.getAs[Long](0), r.getAs[String](1))).sortBy(_._1).take(2)
}

df.withColumn("result", udfFilterPath($"idList")).show(false)

+------+-------------------------------------------+----------------------------+
|id    |idList                                     |result                      |
+------+-------------------------------------------+----------------------------+
|1234  |[[1234,Tony], [2345,Angela]]               |[[1234,Tony], [2345,Angela]]|
|234545|[[1234,Tony], [2345454,Ruby], [353445,Ria]]|[[1234,Tony], [353445,Ria]] |
+------+-------------------------------------------+----------------------------+