Hey there! 完全不用写UDF就能搞定这个问题，Spark其实提供了好几种更优雅的方式来处理原生数值和Column的运算，我来给你拆解下：

• 方法1：用lit()把原生数值转为Column类型
  Spark的lit()函数可以把字面量（比如1.0这种Double值）转换成Column对象，这样两边都是Column类型，就能正常执行算术运算了。求倒数的话，代码可以这么写：

  import org.apache.spark.sql.functions.{col, lit}
  
  // 假设你的DataFrame名为df，目标列是col2
  val dfWithReciprocal = df.withColumn("col2_reciprocal", lit(1.0) / col("col2"))
  

  为什么直接1/col2会报错？因为Scala会优先把1当作原生Int/Double类型，尝试调用原生类型的除法方法，而这个方法并不接受Column作为参数。用lit()把数值包装成Column后，就可以和目标列进行运算了。

• 方法2：使用Spark SQL表达式expr()
  如果你更熟悉SQL语法，也可以用expr()直接写SQL风格的表达式，Spark会自动帮你解析成Column操作：

  import org.apache.spark.sql.functions.expr
  
  val dfWithReciprocal = df.withColumn("col2_reciprocal", expr("1 / col2"))
  

  这种方式代码更简洁，尤其是复杂运算的时候，SQL表达式往往更直观。

额外提醒：为什么不推荐用UDF？ #

UDF属于Spark的黑盒操作，Catalyst优化器无法对UDF内部逻辑进行优化，而上面的几种方法都是Spark原生支持的操作，性能会好很多，代码也更简洁易维护。

内容的提问来源于stack exchange，提问作者jay s