：使用自訂函數及Python第三方庫

DataFrame函數支援對Sequence使用map，它會對它的每個元素調用自訂函數。

>>> iris.sepallength.map(lambda x: x + 1).head(5)
   sepallength
0          6.1
1          5.9
2          5.7
3          5.6
4          6.0

如果map前後，Sequence的類型發生了變化，則需要顯式指定map後的類型。

>>> iris.sepallength.map(lambda x: 't'+str(x), 'string').head(5)
   sepallength
0         t5.1
1         t4.9
2         t4.7
3         t4.6
4         t5.0

如果在函數中包含閉包，則函數外閉包變數值的變化會引起函數內該變數值的變化。

>>> dfs = []
>>> for i in range(10):
>>>     dfs.append(df.sepal_length.map(lambda x: x + i))

結果為dfs中每個SequenceExpr均為df.sepal_length+9。為解決此問題，可以將函數作為另一函數的傳回值，或者使用partial。兩個樣本如下。

>>> dfs = []
>>> def get_mapper(i):
>>>     return lambda x: x + i
>>> for i in range(10):
>>>     dfs.append(df.sepal_length.map(get_mapper(i)))

>>> import functools
>>> dfs = []
>>> for i in range(10):
>>>     dfs.append(df.sepal_length.map(functools.partial(lambda v, x: x + v, i)))

樣本程式：使用計數器

from odps.udf import get_execution_context
def h(x):
    ctx = get_execution_context()
    counters = ctx.get_counters()
    counters.get_counter('df', 'add_one').increment(1)
    return x + 1
df.field.map(h)

Logview的JSONSummary中即可找到計數器值。

如果您需要對一行資料使用自訂函數，可以使用apply方法。參數axis的值必須設為1，表示對行進行操作。apply的自訂函數接收一個參數，參數為上一步Collection的一行資料。您可以通過屬性或者位移獲得一個欄位的資料。

• reduce為True時，表示返回結果為Sequence，否則返回結果為Collection。 names和types參數分別指定返回的Sequence或Collection的欄位名和類型。 如果未指定類型，則會預設為STRING類型。

  >>> iris.apply(lambda row: row.sepallength + row.sepalwidth, axis=1, reduce=True, types='float').rename('sepaladd').head(3)
     sepaladd
  0       8.6
  1       7.9
  2       7.9

• 在apply的自訂函數中，reduce為False時，您可以使用yield關鍵字返回多行結果。

  >>> iris.count()
  150
  >>>
  >>> def handle(row):
  >>>     yield row.sepallength - row.sepalwidth, row.sepallength + row.sepalwidth
  >>>     yield row.petallength - row.petalwidth, row.petallength + row.petalwidth
  >>>
  >>> iris.apply(handle, axis=1, names=['iris_add', 'iris_sub'], types=['float', 'float']).count()
  300

• 您也可以在函數中注釋返回的欄位和類型，無需在函數調用時再指定它們。

  >>> from odps.df import output
  >>>
  >>> @output(['iris_add', 'iris_sub'], ['float', 'float'])
  >>> def handle(row):
  >>>     yield row.sepallength - row.sepalwidth, row.sepallength + row.sepalwidth
  >>>     yield row.petallength - row.petalwidth, row.petallength + row.petalwidth
  >>>
  >>> iris.apply(handle, axis=1).count()
  300

• 您也可以使用map-only的map_reduce，該操作與axis=1的apply操作是等價的。

  >>> iris.map_reduce(mapper=handle).count()
  300

• 如果您想調用MaxCompute上已經存在的UDTF，函數指定為函數名即可。

  >>> iris['name', 'sepallength'].apply('your_func', axis=1, names=['name2', 'sepallength2'], types=['string', 'float'])

• 使用apply對行操作，且reduce為False時，您可以使用並列多行輸出與已有的行結合，用於後續彙總等操作。

  >>> from odps.df import output
  >>>
  >>> @output(['iris_add', 'iris_sub'], ['float', 'float'])
  >>> def handle(row):
  >>>     yield row.sepallength - row.sepalwidth, row.sepallength + row.sepalwidth
  >>>     yield row.petallength - row.petalwidth, row.petallength + row.petalwidth
  >>>
  >>> iris[iris.category, iris.apply(handle, axis=1)]

調用apply方法，當不指定axis，或者axis值為0時，您可以通過傳入一個自訂彙總類對所有Sequence進行彙總操作。

class Agg(object):

    def buffer(self):
        return [0.0, 0]

    def __call__(self, buffer, val):
        buffer[0] += val
        buffer[1] += 1

    def merge(self, buffer, pbuffer):
        buffer[0] += pbuffer[0]
        buffer[1] += pbuffer[1]

    def getvalue(self, buffer):
        if buffer[1] == 0:
            return 0.0
        return buffer[0] / buffer[1]

>>> iris.exclude('name').apply(Agg)
   sepallength_aggregation  sepalwidth_aggregation  petallength_aggregation  petalwidth_aggregation
0                 5.843333                   3.054                 3.758667                1.198667

自訂函數也能讀取MaxCompute上的資源（表資源或檔案資源），或者引用一個Collection作為資源。此時，自訂函數需要寫成函數閉包或Callable的類。兩個樣本如下。

>>> file_resource = o.create_resource('pyodps_iris_file', 'file', file_obj='Iris-setosa')
>>>
>>> iris_names_collection = iris.distinct('name')[:2]
>>> iris_names_collection
       sepallength
0      Iris-setosa
1  Iris-versicolor

>>> def myfunc(resources):  # resources按調用順序傳入。
>>>     names = set()
>>>     fileobj = resources[0] # 檔案資源是一個file-like的object。
>>>     for l in fileobj:
>>>         names.add(l)
>>>     collection = resources[1]
>>>     for r in collection:
>>>         names.add(r.name)  # 這裡可以通過欄位名或者位移來取。
>>>     def h(x):
>>>         if x in names:
>>>             return True
>>>         else:
>>>             return False
>>>     return h
>>>
>>> df = iris.distinct('name')
>>> df = df[df.name,
>>>         df.name.map(myfunc, resources=[file_resource, iris_names_collection], rtype='boolean').rename('isin')]
>>>
>>> df
              name   isin
0      Iris-setosa   True
1  Iris-versicolor   True
2   Iris-virginica  False

當axis值為1，即在行上操作時，您需要寫一個函數閉包或者Callable的類。 而對於列上的彙總操作，您只需在 __init__ 函數裡讀取資源即可。

>>> words_df
                     sentence
0                 Hello World
1                Hello Python
2  Life is short I use Python
>>>
>>> import pandas as pd
>>> stop_words = DataFrame(pd.DataFrame({'stops': ['is', 'a', 'I']}))
>>>
>>> @output(['sentence'], ['string'])
>>> def filter_stops(resources):
>>>     stop_words = set([r[0] for r in resources[0]])
>>>     def h(row):
>>>         return ' '.join(w for w in row[0].split() if w not in stop_words),
>>>     return h
>>>
>>> words_df.apply(filter_stops, axis=1, resources=[stop_words])
                sentence
0            Hello World
1           Hello Python
2  Life short use Python