Как применить функцию к каждой строке в SparkR?

Question

У меня есть файл в формате CSV, который содержит таблицу со столбцами "id", "timestamp", "action", "value" и "location". Я хочу применить функцию к каждой строке таблицы, и я уже написал код на R следующим образом:

user <- read.csv(file_path,sep = ";")
num <- nrow(user)
curLocation <- "1"
for(i in 1:num) {
    row <- user[i,]
    if(user$action != "power")
        curLocation <- row$value
    user[i,"location"] <- curLocation
}

Скрипт R работает отлично, и теперь я хочу применить его SparkR. Однако я не смог получить доступ к i-й строке непосредственно в SparkR, и я не смог найти ни одной функции для манипулирования каждой строкой в документации SparkR.

Какой метод я должен использовать для достижения того же эффекта, что и в сценарии R?

Кроме того, по совету @chateaur, я попытался написать код с помощью функции dapply следующим образом:

curLocation <- "1"
schema <- structType(structField("Sequence","integer"), structField("ID","integer"), structField("Timestamp","timestamp"), structField("Action","string"), structField("Value","string"), structField("Location","string"))
setLocation <- function(row, curLoc) {
    if(row$Action != "power|battery|level"){
        curLoc <- row$Value
    }
    row$Location <- curLoc
}
bw <- dapply(user, function(row) { setLocation(row, curLocation)}, schema)
head(bw)

Тогда я получил ошибку:

Я посмотрел предупреждающее сообщение, что условие имеет длину> 1, и будет использоваться только первый элемент, и я нашел что-то /questions/26973608/interpretatsiya-preduprezhdeniya-uslovie-imeet-dlinu-1-iz-funktsii-if/26973623#26973623. Это заставило меня задуматься, представляют ли параметр строки в функции dapply весь раздел моего фрейма данных, а не одну строку? Может быть, функция dapply не является желательным решением?

Позже я попытался изменить функцию в соответствии с рекомендациями @chateaur. Вместо использования dapply я использовал dapplyCollect, что избавляет меня от необходимости указывать схему. Оно работает!

changeLocation <- function(partitionnedDf) {
    nrows <- nrow(partitionnedDf)
    curLocation <- "1"
    for(i in 1:nrows){
        row <- partitionnedDf[i,]
        if(row$action != "power") {
            curLocation <- row$value
        }
    partitionnedDf[i,"location"] <- curLocation
    }
    partitionnedDf
}

bw <- dapplyCollect(user, changeLocation)

Answer 1

Scorpion775,

Вы должны поделиться своим кодом sparkR. Не забывайте, что данные не обрабатываются одинаково в R и sparkR.

От: http://spark.apache.org/docs/latest/sparkr.html,

df <- read.df(csvPath, "csv", header = "true", inferSchema = "true", na.strings = "NA")

Тогда вы можете посмотреть на функцию dapply здесь: https://spark.apache.org/docs/2.1.0/api/R/dapply.html

Вот рабочий пример:

changeLocation <- function(partitionnedDf) {
    nrows <- nrow(partitionnedDf)
    curLocation <- as.integer(1)

    # Loop over each row of the partitionned data frame
    for(i in 1:nrows){
        row <- partitionnedDf[i,]

        if(row[1] != "power") {
            curLocation <- row[2]
        }
        partitionnedDf[i,3] <- curLocation
    }

    # Return modified data frame
    partitionnedDf
}

# Load data
df <- read.df("data.csv", "csv", header="false", inferSchema = "true")

head(collect(df))

# Define schema of dataframe
schema <- structType(structField("action", "string"), structField("value", "integer"),
                     structField("location", "integer"))

# Change location of each row                    
df2 <- dapply(df, changeLocation, schema)

head(df2)