Столбец Access Array в Spark

Spark DataFrame содержит столбец типа Array [Double]. Он выдает исключение ClassCastException, когда я пытаюсь вернуть его обратно в функцию map(). Следующий код Scala генерирует исключение.

case class Dummy( x:Array[Double] )
val df = sqlContext.createDataFrame(Seq(Dummy(Array(1,2,3))))
val s = df.map( r => {
   val arr:Array[Double] = r.getAs[Array[Double]]("x")
   arr.sum
})
s.foreach(println)

Исключение составляет

java.lang.ClassCastException: scala.collection.mutable.WrappedArray$ofRef cannot be cast to [D
    at $iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$anonfun$1.apply(<console>:24)
    at $iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$anonfun$1.apply(<console>:23)
    at scala.collection.Iterator$$anon$11.next(Iterator.scala:328)
    at scala.collection.Iterator$class.foreach(Iterator.scala:727)
    at scala.collection.AbstractIterator.foreach(Iterator.scala:1157)
    at org.apache.spark.rdd.RDD$$anonfun$foreach$1$$anonfun$apply$28.apply(RDD.scala:890)
    at org.apache.spark.rdd.RDD$$anonfun$foreach$1$$anonfun$apply$28.apply(RDD.scala:890)
    at org.apache.spark.SparkContext$$anonfun$runJob$5.apply(SparkContext.scala:1848)
    at org.apache.spark.SparkContext$$anonfun$runJob$5.apply(SparkContext.scala:1848)
    at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:66)
    at org.apache.spark.scheduler.Task.run(Task.scala:88)
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:214)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
    at java.lang.Thread.run(Thread.java:745)

Может кто-нибудь объяснить мне, почему это не работает? что я должен сделать вместо этого? Я использую Spark 1.5.1 и Scala 2.10.6

Спасибо

Ответы

Ответ 1

ArrayType представлен в Row как a scala.collection.mutable.WrappedArray. Вы можете извлечь его, используя, например,

val arr: Seq[Double] = r.getAs[Seq[Double]]("x")

или

val i: Int = ???
val arr = r.getSeq[Double](i)

или даже:

import scala.collection.mutable.WrappedArray

val arr: WrappedArray[Double] = r.getAs[WrappedArray[Double]]("x")

Если DataFrame относительно тонкий, то совпадение шаблонов может быть лучшим подходом:

import org.apache.spark.sql.Row

df.rdd.map{case Row(x: Seq[Double]) => (x.toArray, x.sum)}

хотя вы должны иметь в виду, что тип последовательности не установлен.

В Spark >= 1.6 вы также можете использовать Dataset следующим образом:

df.select("x").as[Seq[Double]].rdd