Написание UDF на Python с использованием ошибки Pandas

Question

Мы пытаемся написать UDF-файлы Hive на Python для очистки данных. UDF, который мы пробовали, использовал Pandas, и он выдает ошибку.

Когда мы пытаемся использовать другой код Python без панд, он работает нормально. Пожалуйста, помогите понять проблему. Предоставление кода Pandas ниже:

Мы уже пробовали различные способы панд, но, к сожалению, не повезло. Поскольку другой код Python без Pandas работает нормально, мы растерялись, почему он не работает?

import sys
import pandas as pd
import numpy as np
for line in sys.stdin:
    df = line.split('\t')
    df1 = pd.DataFrame(df)
    df2=df1.T
    df2[0] = np.where(df2[0].str.isalpha(), df2[0], np.nan)
    df2[1] = np.where(df2[1].astype(str).str.isdigit(), df2[1], np.nan)
    df2[2] = np.where(df2[2].astype(str).str.len() != 10, np.nan, 
    df2[2].astype(str))
    #df2[3] = np.where(df2[3].astype(str).str.isdigit(), df2[3], np.nan)
    df2 = df2.dropna()
    print(df2)

Я получаю эту ошибку:

FAILED: Execution Error, return code 20003 from org.apache.hadoop.hive.ql.exec.mr.MapRedTask. An error occurred when trying to close the Operator running your custom script.
MapReduce Jobs Launched: 
Stage-Stage-1: Map: 1   HDFS Read: 0 HDFS Write: 0 FAIL
Total MapReduce CPU Time Spent: 0 msec

Answer 1

Я думаю, вам нужно просмотреть подробные журналы работы для получения дополнительной информации. Мое первое предположение состоит в том, что Pandas не установлен на узле данных.

Этот ответ выглядит подходящим для вас, если вы собираетесь связывать зависимости с вашей работой: /questions/40987199/upravlenie-zavisimostyami-s-pomoschyu-hadoop-streaming/40987216#40987216