将UDF应用于Spark 2.0中的SparseVector列

Question

我想将一个UDF应用于包含SparseVectors（使用pyspark.ml.feature.IDF创建）的PySpark df中的列。最初，我试图应用更多涉及的功能，但是对于任何功能的应用程序都会遇到同样的错误。因此，对于一个例子的缘故：

udfSum = udf(lambda x: np.sum(x.values), FloatType()) 
df = df.withColumn("vec_sum", udfSum(df.idf)) 
df.take(10) 

我收到此错误：如果我转换使用df熊猫和应用功能

Py4JJavaError: An error occurred while calling 
z:org.apache.spark.sql.execution.python.EvaluatePython.takeAndServe. 
: org.apache.spark.SparkException: Job aborted due to stage failure: 
Task 0 in stage 55.0 failed 4 times, most recent failure: Lost task 0.3 
in stage 55.0 (TID 111, 10.0.11.102): net.razorvine.pickle.PickleException: 
expected zero arguments for construction of ClassDict (for numpy.dtype) 

，我可以证实，FloatType（）是正确的响应类型。这可能是相关的，但错误是不同的：Issue with UDF on a column of Vectors in PySpark DataFrame。

谢谢！

Answer 1

转换输出float：

udf(lambda x: float(np.sum(x.values)), FloatType())