awslabs / awslabs/python-deequ
py4j.protocol.Py4JError while adding Analyzer in PyDeequ + PySpark
まだ誰も着手していません。
- 主要言語
- Jupyter Notebook
- スター
- 826
- フォーク
- 158
- 平均マージ
- 9日 22時間
- マージ済み PR(30日)
- 3
説明
Describe the bug
I'm trying to add analysers for the columns of a PySpark Data Frame, I'm getting py4j.protocol.Py4JError.
To Reproduce
Steps to reproduce the behavior:
- Install pydeequ==1.1.0, py4j==0.10.9.7 , pyspark==3.4.1 and Spark == 3.3.0.
- Read CSV to PySpark DataFrame.
- Instantiate the Analsysis Runner :: analysis_runner = AnalysisRunner(spark).onData(df).addAnalyzer(Size())
- Add Completeness and Uniqueness DQ rules for every columns as:
for column in df.columns:
analysis_runner.addAnalyzer(Uniqueness(column))
analysis_runner.addAnalyzer(Completeness(column))
analysisResult= analysis_runner.run()
-
Run The Pyspark script to see following error:
analysis_runner.addAnalyzer(Uniqueness(column))
File "/Users/indusharma/Library/Python/3.9/lib/python/site-packages/pydeequ/analyzers.py", line 134, in addAnalyzer
_analyzer_jvm = analyzer._analyzer_jvm
File "/Users/indusharma/Library/Python/3.9/lib/python/site-packages/pydeequ/analyzers.py", line 775, in _analyzer_jvm
to_scala_seq(self._jvm, self.columns), self._jvm.scala.Option.apply(self.where)
File "/Users/indusharma/Library/Python/3.9/lib/python/site-packages/pydeequ/scala_utils.py", line 80, in to_scala_seq
return jvm.scala.collection.JavaConversions.iterableAsScalaIterable(iterable).toSeq()
File "/Users/indusharma/Library/Python/3.9/lib/python/site-packages/py4j/java_gateway.py", line 1322, in call
return_value = get_return_value(
File "/Users/indusharma/Library/Python/3.9/lib/python/site-packages/pyspark/errors/exceptions/captured.py", line 169, in deco
return f(*a, **kw)
File "/Users/indusharma/Library/Python/3.9/lib/python/site-packages/py4j/protocol.py", line 330, in get_return_value
raise Py4JError(
py4j.protocol.Py4JError: An error occurred while calling z:scala.collection.JavaConversions.iterableAsScalaIterable. Trace:
py4j.Py4JException: Method iterableAsScalaIterable([class java.lang.String]) does not exist
at py4j.reflection.ReflectionEngine.getMethod(ReflectionEngine.java:321)
at py4j.reflection.ReflectionEngine.getMethod(ReflectionEngine.java:342)
at py4j.Gateway.invoke(Gateway.java:276)
at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:132)
at py4j.commands.CallCommand.execute(CallCommand.java:79)
at py4j.ClientServerConnection.waitForCommands(ClientServerConnection.java:182)
at py4j.ClientServerConnection.run(ClientServerConnection.java:106)
at java.lang.Thread.run(Thread.java:750)
Expected behavior
Analysers are run successfully.
Screenshots
If applicable, add screenshots to help explain your problem.
Desktop (please complete the following information):
N/A
Smartphone (please complete the following information):
N/A
Additional context
コントリビューションガイド
はじめの一歩
- issue を最後まで読み、次にプロジェクトのコントリビューションガイドを読みます。
- 着手することを issue にコメントします — 二人が同じ作業をするのを防げます。
- リポジトリをフォークし、ブランチを切って変更します。
- issue 番号を参照したプルリクエストを送ります。
調査の方向性
pydeequ/analyzers.py の addAnalyzer と _analyzer_jvm パスから始め、次に pydeequ/scala_utils.py の to_scala_seq を調べます。pydeequ 1.1.0、py4j 0.10.9.7、PySpark 3.4.1、Spark 3.3.0 で報告されたセットアップを再現します。完了条件は、Completeness と Uniqueness の analyzer を正常に追加して実行できることです。
索引モデルが issue の本文から書いたものです。
評価
- 技術スタック
- python, spark
- 領域
- data-engineering
- issue の種類
- バグ
- 難易度
- 3/5
- 見積もり時間
- 1〜2日
- 活発さ
- 静か
- 明瞭さ
- おおむね明確
- 初心者へのやさしさ
- 45/100