Sedona SQL 函数可以通过类似于 Spark 函数的 DataFrame 风格 API 使用。

下列对象包含了对外暴露的函数：org.apache.spark.sql.sedona_sql.expressions.st_functions、org.apache.spark.sql.sedona_sql.expressions.st_constructors、org.apache.spark.sql.sedona_sql.expressions.st_predicates 以及 org.apache.spark.sql.sedona_sql.expressions.st_aggregates。

每个函数都可以接收全为 Column 类型的参数。此外，重载形式通常还可以接收 String 和其他 Scala 类型（例如 Double）的混合参数。

一般而言适用以下规则（不过具体函数请参考各自的文档以了解可能的例外）：

=== “Scala” 1. 每个函数都返回一个 Column，因此可以与 Spark 函数以及 DataFrame 的方法（如 DataFrame.select 或 DataFrame.join）互换使用。 2. 每个函数都有一种全部以 Column 作为参数的形式。 这种形式是最通用的。 3. 大多数函数都有一种以 String 参数与其他 Scala 类型混合使用的形式。

=== “Python”

1. `Column` 类型的参数会被原样透传，并始终被接受。
2. `str` 类型的参数总是被视为列名，并会自动包装到 `Column` 中。
如果需要传递一个实际的字符串字面量，则需要使用 `pyspark.sql.functions.lit` 把它包装成 `Column`。
3. 其他类型的参数会按函数逐一检查。一般来说，能够合理对应 python 原生类型的参数会被接受并透传。	4. 目前所有函数都不接受 Shapely 的 `Geometry` 对象。

允许的参数类型组合视具体函数而定。 不过在这些情况下，所有 String 参数都会被视为列名，并自动包装成 Column。 非 String 参数会被视为字面量并直接传给对应的 sedona 函数。如果你需要传递 String 类型的字面量，应使用 sedona 函数的全 Column 形式，并通过 Spark 的 lit 函数将该 String 字面量包装成 Column。

下面是使用该 API 的一个简短示例（用到了 Spark 的 array_min 和 array_max 函数）：

=== “Scala”

```scala
val values_df = spark.sql("SELECT array(0.0, 1.0, 2.0) AS values")
val min_value = array_min("values")
val max_value = array_max("values")
val point_df = values_df.select(ST_Point(min_value, max_value).as("point"))
```

=== “Python”

```python3
from pyspark.sql import functions as f

from sedona.spark import *

df = spark.sql("SELECT array(0.0, 1.0, 2.0) AS values")

min_value = f.array_min("values")
max_value = f.array_max("values")

df = df.select(ST_Point(min_value, max_value).alias("point"))
```

上面的代码将生成如下 dataframe：

+-----------+
|point      |
+-----------+
|POINT (0 2)|
+-----------+

某些函数会接受 python 的原生值并将其推断为字面量。 例如：

from sedona.spark import *

df = df.select(ST_Point(1.0, 3.0).alias("point"))

这会生成一个包含常量点的列：

+-----------+
|point      |
+-----------+
|POINT (1 3)|
+-----------+