私はSparkを初めて使用し、現在sparklyパッケージを介してR APIを使用して使用しています。ハイブ クエリから Spark データ フレームを作成しました。dplyr
ソース テーブルでデータ型が正しく指定されていないため、パッケージの関数を利用してデータ型をリセットしようとしています。以下は私が試したコードです:
prod_dev <- sdf_load_table(...)
num_var <- c("var1", "var2"....)
cat_var <- c("var_a","var_b", ...)
pos1 <- which(colnames(prod_dev) %in% num_var)
pos2 <- which(colnames(prod_dev) %in% cat_var)
prod_model_tbl <- prod_dev %>%
mutate(age = 2016- as.numeric(substr(dob_yyyymmdd,1,4))) %>%
mutate(msa_fg = ifelse(is.na(msacode2000), 0, 1)) %>%
mutate(csa_fg = ifelse(is.na(csacode), 0, 1)) %>%
mutate_each(funs(factor), pos2) %>%
mutate_each(funs(as.numeric), pos1)
prod_dev が R データ フレームの場合、コードは機能します。ただし、Spark データ フレームで使用すると、正しい結果が得られないようです。
> head(prod_model_tbl)
Source: query [?? x 99]
Database: spark connection master=yarn-client app=sparklyr_test local=FALSE
Error: org.apache.spark.sql.AnalysisException: undefined function FACTOR; line 97 pos 2248 at org.apache.spark.sql.hive.HiveFunctionRegistry....
Spark データ フレームに必要な変更を加える方法を教えてください。