云原生大数据计算服务 MaxCompute：使用自定义函数及Python第三方库

DataFrame函数支持对Sequence使用map，它会对它的每个元素调用自定义函数。

>>> 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前后，Sequence的类型发生了变化，则需要显式指定map后的类型。

>>> 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

如果在函数中包含闭包，则函数外闭包变量值的变化会引起函数内该变量值的变化。

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

结果为dfs中每个SequenceExpr均为df.sepal_length+9。为解决此问题，可以将函数作为另一函数的返回值，或者使用partial。两个示例如下。

>>> 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)))

示例程序：使用计数器

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中即可找到计数器值。

如果您需要对一行数据使用自定义函数，可以使用apply方法。参数axis的值必须设为1，表示对行进行操作。apply的自定义函数接收一个参数，参数为上一步Collection的一行数据。您可以通过属性或者偏移获得一个字段的数据。

• reduce为True时，表示返回结果为Sequence，否则返回结果为Collection。 names和types参数分别指定返回的Sequence或Collection的字段名和类型。 如果未指定类型，则会默认为STRING类型。

  >>> 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的自定义函数中，reduce为False时，您可以使用yield关键字返回多行结果。

  >>> 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

• 您也可以在函数中注释返回的字段和类型，无需在函数调用时再指定它们。

  >>> 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，该操作与axis=1的apply操作是等价的。

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

• 如果您想调用MaxCompute上已经存在的UDTF，函数指定为函数名即可。

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

• 使用apply对行操作，且reduce为False时，您可以使用并列多行输出与已有的行结合，用于后续聚合等操作。

  >>> 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)]

调用apply方法，当不指定axis，或者axis值为0时，您可以通过传入一个自定义聚合类对所有Sequence进行聚合操作。

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

自定义函数也能读取MaxCompute上的资源（表资源或文件资源），或者引用一个Collection作为资源。此时，自定义函数需要写成函数闭包或Callable的类。两个示例如下。

>>> 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按调用顺序传入。
>>>     names = set()
>>>     fileobj = resources[0] # 文件资源是一个file-like的object。
>>>     for l in fileobj:
>>>         names.add(l)
>>>     collection = resources[1]
>>>     for r in collection:
>>>         names.add(r.name)  # 这里可以通过字段名或者偏移来取。
>>>     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

当axis值为1，即在行上操作时，您需要写一个函数闭包或者Callable的类。 而对于列上的聚合操作，您只需在 __init__ 函数里读取资源即可。

>>> 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