0
私はすべての値を、設定されたしきい値より低い値、つまりSpark 2.1.0、PySpark API、およびDataFrameを使用して置き換えようとしています。PySparkは、カウントしきい値より下の値を値で置き換えます。
例（df1以下）の関数をテストすると、機能します。しかし、私の実際のデータではありません。どちらもdtype属性文字列を持っています。 df1では、forループで 'cat'と 'integers'の列を実行します。これは、実際のデータDFでも必要なものです。
df1 = spark.createDataFrame([
(0, "a","1"),
(1, "b","1"),
(2, "c","1"),
(3, "a","1"),
(4, "a","2"),
(5, "c","2"),
(6,"b","1"),
(7,"b","1"),
], ["id", "cat","integer"])
def cutoff(df,feat,threshold, otherclass='other'):
if isinstance(threshold, float) and threshold<1:
threshold = str(int(threshold*df.count()))
if isinstance(threshold,int):
threshold = str(threshold)
temp = df.groupBy(feat).count().orderBy('count')
replace = temp.filter("count<"+threshold).select(feat).rdd.map(lambda r:r[0]).collect()
print "replacing ", replace,replace.__class__, " with ", otherclass, " subset ", feat
df = df.replace(replace,otherclass,feat)
return df
しかし、（ハイブからSQLインポートを）実際のデータを使用しているとき、私は
mydata (just a part):
+---------------+-----+
| browser_name|count|
+---------------+-----+
| Chrome| 2197|
| IE| 719|
| Firefox| 542|
| Mobile Safari| 370|
|Android Browser| 361|
| Edge| 265|
| Chrome WebView| 203|
replacing [u'Iron', u'UCBrowser', u'Puffin', u'Opera Mini', u'Yandex', u'Maxthon', u'Silk', u'Vivaldi', None, u'MIUI Browser', u'Chromium', u'WebKit', u'IEMobile', u'Facebook', u'Chrome WebView', u'Safari', u'Opera', u'Android Browser', u'Mobile Safari', u'Edge', u'IE', u'Firefox'] <type 'list'> with other subset browser_name
Traceback (most recent call last):
File "/tmp/zeppelin_pyspark-1704248642413819893.py", line 267, in <module>
raise Exception(traceback.format_exc())
Exception: Traceback (most recent call last):
File "/tmp/zeppelin_pyspark-1704248642413819893.py", line 265, in <module>
exec(code)
File "<stdin>", line 12, in <module>
File "<stdin>", line 10, in cutoff
File "/usr/lib/spark/python/pyspark/sql/dataframe.py", line 1345, in replace
self._jdf.na().replace(self._jseq(subset), self._jmap(rep_dict)), self.sql_ctx)
File "/usr/lib/spark/python/lib/py4j-0.10.4-src.zip/py4j/java_gateway.py", line 1133, in __call__
answer, self.gateway_client, self.target_id, self.name)
File "/usr/lib/spark/python/pyspark/sql/utils.py", line 63, in deco
return f(*a, **kw)
File "/usr/lib/spark/python/lib/py4j-0.10.4-src.zip/py4j/protocol.py", line 319, in get_return_value
format(target_id, ".", name), value)
Py4JJavaError: An error occurred while calling o4471.replace.
: scala.MatchError: null
at org.apache.spark.sql.DataFrameNaFunctions.replace0(DataFrameNaFunctions.scala:351)
at org.apache.spark.sql.DataFrameNaFunctions.replace(DataFrameNaFunctions.scala:336)
at sun.reflect.GeneratedMethodAccessor359.invoke(Unknown Source)
at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
at java.lang.reflect.Method.invoke(Method.java:498)
at py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:244)
at py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:357)
at py4j.Gateway.invoke(Gateway.java:280)
at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:132)
at py4j.commands.CallCommand.execute(CallCommand.java:79)
at py4j.GatewayConnection.run(GatewayConnection.java:214)
at java.lang.Thread.run(Thread.java:745)
を得るので、それはreplace機能について文句を言います。しかし、私が実行すると df.replace(['Chrome','Firefox'],'hovno','browser_name').show(10)は再びチャームのように機能します（関数がそれを生成し、そのokを出力するので、私はユニコードでリストを入力しようとしました）。だから私は何が私の仕事をしない機能で私のDFをやったのだろうか？ MatchErrorは元の値を見つけることができないと分かっていますが、確かにそこにあります。
ありがとうございます！