Pythonのユーザー定義テーブル関数(UDTFs)とは何か？
によって アリソン・ワン, Daniel Tenedorio, 植品拓也 、 アラン・フォルティング による投稿
Apache Spark™ 3.5とDatabricks Runtime 14.0は、エキサイティングな機能をもたらした：Pythonのユーザー定義テーブル関数（UDTFs）です。 このブログでは、UDTFとは何か、なぜUDTFは強力なのか、そしてどのようにUDTFを使うことができるのかについて説明する。
Pythonのユーザー定義テーブル関数（UDTF）は、単一のスカラー値ではなく、テーブル（複数行・列）を返す新しい種類の関数です。 一度登録されると、SQLクエリのFROM句に登場させることができる。
各Python UDTFは0個以上の引数を受け入れ、各引数は整数や文字列のような定数スカラー値である。 関数本体は、これらの引数の値を調べて、どのデータを返すべきかを決定することができる。
要するに、複数の行や列を生成する関数が必要で、Pythonの豊富なエコシステムを活用したいのであれば、Python UDTFが適しているということです。
SparkのPython UDFは、それぞれ0個以上のスカラー値を入力として受け入れ、単一の値を出力として返すように設計されているが、UDTFはより柔軟性がある。 これらは複数の行や列を返すことができ、UDFの機能を拡張する。
SQLのUDTFは効率的で汎用性が高いが、Pythonはより豊富なライブラリとツールを提供している。 高度な技術を必要とする変換や計算（統計関数や機械学習の推論など）には、Pythonが際立っている。
基本的なPythonのUDTFを見てみよう：
上のコードでは、入力として2つの整数を受け取り、出力として2つの列（元の数とその2乗）を生成する単純なUDTFを作成した。
UDTFを実装する最初のステップは、クラスを定義することである。
次に、UDTFのevalメソッドを実装する必要がある。 これは計算を行い行を返すメソッドで、関数の入力引数を定義する。
Python UDTFでは、結果が正しく処理されるように、戻り値の型はタプルか行オブジェクトである必要があります。
最後に、クラスを UDTF としてマークするには、@udtfデコレーターを使用して UDTF の戻り値の型を定義します。 戻り値の型は、ブロック書式を持つStructTypeか、Sparkでブロック書式を持つStructTypeを表すDDL文字列でなければならないことに注意してください。
クラス名を使ってUDTFを直接呼び出すことができる。
まず、Python UDTFを登録する：
そして、SQLでクエリのFROM句の中でテーブル値関数として使うことができる：
Apache Arrowは、JavaとPythonのプロセス間で効率的なデータ転送を可能にする、インメモリーのカラム型データフォーマットである。 UDTFが多くの行を出力する場合、パフォーマンスを大幅に向上させることができる。 矢印の最適化はuseArrow=Trueで有効にできます。
上記の例は基本的なものだと感じるかもしれない。 PythonのUDTFとLangChainを統合する楽しい例で、さらに深く掘り下げてみよう。
これでUDTFを呼び出すことができる：
複雑なデータ変換やデータセットの拡充、新しい分析方法の探索などにおいて、Python UDTFはツールキットに加える価値のある機能です。 このノートブックを試してみて ください。
この機能はPython UDTFプラットフォームの始まりに過ぎない。 Apache Sparkでは現在、さらに多くの機能が開発中で、将来のリリースで利用可能になる予定だ。 例えば、「サポート」が可能になる：
ブログを購読して、最新の投稿を受信トレイにお届けします。