pandas function APIs

pandas function APIs を使用すると pandas インスタンスを取得して出力するPythonネイティブ関数をPySpark DataFrameに直接適用できます。 pandasのユーザー定義関数と同様に、Function API も Apache Arrow を使用してデータを転送し、pandas を使用してデータを操作します。ただし、Python 型ヒントは pandas Function API では省略可能です。

pandas function APIsには3つのタイプがあります。

  • グループ化マップ

  • マップ

  • 複合グループ化マップ

pandas function APIs は pandas UDF 実行が使用するのと同じ内部ロジックを利用します。 これらは、PyArrow、サポートされている SQL 型、構成などの特性を共有します。

詳細については、ブログ記事 Apache Spark 3.0 の今後のリリースの新しい Pandas UDF と Python 型ヒントを参照してください。

グループ化マップ

グループ化されたデータは、 groupBy().applyInPandas() を使用して変換し、"分割-適用-結合" パターンを実装します。 分割-適用-結合は、次の 3 つのステップで構成されます。

  • DataFrame.groupByを使用してデータをグループに分割します。

  • 各グループに関数を適用します。 関数の入力と出力はどちらも pandas.DataFrameです。 入力データには、各グループのすべての行と列が含まれます。

  • 結果を新しい DataFrameに結合します。

groupBy().applyInPandas()を使用するには、以下を定義する必要があります。

  • 各グループの計算を定義する Python 関数

  • 出力のスキーマを定義する StructType オブジェクトまたは文字列 DataFrame

返される pandas.DataFrame の列ラベルは、文字列として指定されている場合は定義された出力スキーマのフィールド名と一致するか、文字列でない場合は位置によってフィールドのデータ型と一致する必要があります (整数インデックスなど)。 pandas.DataFrameの作成時に列にラベルを付ける方法に関しては。pandas データフレームを参照してください。

グループのすべてのデータは、関数が適用される前にメモリに読み込まれます。 これにより、特にグループ サイズが偏っている場合に、メモリ不足の例外が発生する可能性があります。 maxRecordsPerBatch の構成はグループには適用されず、グループ化されたデータが使用可能なメモリに収まるようにする必要があります。

次の例は、 groupby().apply() を使用してグループ内の各値から平均を減算する方法を示しています。

df = spark.createDataFrame(
    [(1, 1.0), (1, 2.0), (2, 3.0), (2, 5.0), (2, 10.0)],
    ("id", "v"))

def subtract_mean(pdf):
    # pdf is a pandas.DataFrame
    v = pdf.v
    return pdf.assign(v=v - v.mean())

df.groupby("id").applyInPandas(subtract_mean, schema="id long, v double").show()
# +---+----+
# | id|   v|
# +---+----+
# |  1|-0.5|
# |  1| 0.5|
# |  2|-3.0|
# |  2|-1.0|
# |  2| 4.0|
# +---+----+

詳しい使い方は pyspark.sql.GroupedData.applyInPandas を参照してください。

マップ

pandas.DataFrame の反復子を現在の PySpark DataFrame を表す別の pandas.DataFrame 反復子に変換し、結果を PySpark DataFrameとして返すために、 DataFrame.mapInPandas() で pandas インスタンスのマップ操作を実行します。

基になる関数は、 pandas.DataFrameのイテレータを受け取り、出力します。 シリーズからシリーズなどの一部のpandas UDFとは対照的に、任意の長さの出力を返すことができます。

次に、 mapInPandas()の使用例を示します。

df = spark.createDataFrame([(1, 21), (2, 30)], ("id", "age"))

def filter_func(iterator):
    for pdf in iterator:
        yield pdf[pdf.id == 1]

df.mapInPandas(filter_func, schema=df.schema).show()
# +---+---+
# | id|age|
# +---+---+
# |  1| 21|
# +---+---+

詳しい使い方は pyspark.sql.DataFrame.mapInPandas を参照してください。

複合グループ化マップ

pandas インスタンスでグループ化されたマップ操作の場合は、 DataFrame.groupby().cogroup().applyInPandas() を使用して 2 つの PySpark DataFrameを共通キーで再グループ化し、次に示すように各共同グループに Python 関数を適用します。

  • キーを共有する各 DataFrame のグループがグループ化されるようにデータをシャッフルします。

  • 複合グループに関数を適用します。 関数の入力は 2 つの pandas.DataFrame です (キーを表すオプションのタプル付き)。 関数の出力は pandas.DataFrameです。

  • すべてのグループの pandas.DataFrameを新しい PySpark DataFrameに結合します。

groupBy().cogroup().applyInPandas()を使用するには、以下を定義する必要があります。

  • 各複合グループの計算を定義する Python 関数。

  • 出力 PySpark DataFrameのスキーマを定義する StructType オブジェクトまたは文字列。

返される pandas.DataFrame の列ラベルは、文字列として指定されている場合は定義された出力スキーマのフィールド名と一致するか、文字列でない場合は位置によってフィールドのデータ型と一致する必要があります (整数インデックスなど)。 pandas.DataFrameの作成時に列にラベルを付ける方法に関しては。pandas データフレームを参照してください。

複合グループのすべてのデータは、関数が適用される前にメモリにロードされます。 これにより、特にグループ サイズが偏っている場合に、メモリ不足の例外が発生する可能性があります。 maxRecordsPerBatch の構成は適用されず、グループ化されたデータが使用可能なメモリに収まるようにする必要があります。

次の例は、 groupby().cogroup().applyInPandas() を使用して 2 つのデータセット間で asof join を実行する方法を示しています。

import pandas as pd

df1 = spark.createDataFrame(
    [(20000101, 1, 1.0), (20000101, 2, 2.0), (20000102, 1, 3.0), (20000102, 2, 4.0)],
    ("time", "id", "v1"))

df2 = spark.createDataFrame(
    [(20000101, 1, "x"), (20000101, 2, "y")],
    ("time", "id", "v2"))

def asof_join(l, r):
    return pd.merge_asof(l, r, on="time", by="id")

df1.groupby("id").cogroup(df2.groupby("id")).applyInPandas(
    asof_join, schema="time int, id int, v1 double, v2 string").show()
# +--------+---+---+---+
# |    time| id| v1| v2|
# +--------+---+---+---+
# |20000101|  1|1.0|  x|
# |20000102|  1|3.0|  x|
# |20000101|  2|2.0|  y|
# |20000102|  2|4.0|  y|
# +--------+---+---+---+

詳しい使い方は PySpark.sqlをpyspark.sql.PandasCogroupedOps.applyInPandas を参照してください。