用于在 pyspark 中处理大数字的数据类型

Question

我正在使用 python 的 spark。上传 csv 文件后，我需要解析 csv 文件中的列，该列的数字长度为 22 位。为了解析该列，我使用了 LongType((。我使用 map(( 函数来定义列。以下是我在 pyspark 中的命令。

>>> test=sc.textFile("test.csv")
>>> header=test.first()
>>> schemaString = header.replace('"','')
>>> testfields = [StructField(field_name, StringType(), True) for field_name in schemaString.split(',')]
>>> testfields[5].dataType = LongType()
>>> testschema = StructType(testfields)
>>> testHeader = test.filter(lambda l: "test_date" in l)
>>> testNoHeader = test.subtract(testHeader)
>>> test_temp = testNoHeader.map(lambda k: k.split(",")).map(lambda
p:(p[0],p[1],p[2],p[3],p[4],***float(p[5].strip('"'))***,p[6],p[7]))
>>> test_temp.top(2)

注意：我还尝试了"long"和"bigint"在我的变量test_temp中代替"float"，但 spark 中的错误是"找不到关键字" 以下是输出

[('2012-03-14', '7', '1698.00', 'XYZ02abc008793060653', 'II93', ***8.27370028700801e+21*** , 'W0W0000000000007', '879870080088815007'), ('2002-03-14', '1', '999.00', 'ABC02E000050086941', 'II93', 8.37670028702205e+21, 'A0B0080000012523', '870870080000012421')]

我的csv文件中的值如下：8.27370028700801e+21 是82737002870080100123458.37670028702205e+21 是8376700287022050054321

当我从中创建数据框然后查询它时，

>>> test_df = sqlContext.createDataFrame(test_temp, testschema)
>>> test_df.registerTempTable("test")
>>> sqlContext.sql("SELECT test_column FROM test").show()

test_column为所有记录提供值"null"。

那么，如何解决火花解析大数的问题，非常感谢您的帮助

Answer 1

嗯，类型很重要。由于您将数据转换为float因此无法在DataFrame中使用LongType。它不会吹，只是因为 PySpark 在类型方面相对宽容。

此外，8273700287008010012345太大，无法表示为只能表示 -9223372036854775808 和 9223372036854775807 之间的值的LongType。

如果要将数据转换为DataFrame则必须使用DoubleType：

from pyspark.sql.types import *
rdd = sc.parallelize([(8.27370028700801e+21, )])
schema = StructType([StructField("x", DoubleType(), False)])
rdd.toDF(schema).show()
## +-------------------+
## |                  x|
## +-------------------+
## |8.27370028700801E21|
## +-------------------+

通常，最好直接使用DataFrames来处理此问题：

from pyspark.sql.functions import col
str_df = sc.parallelize([("8273700287008010012345", )]).toDF(["x"])
str_df.select(col("x").cast("double")).show()
## +-------------------+
## |                  x|
## +-------------------+
## |8.27370028700801E21|
## +-------------------+

如果不想使用Double可以强制转换为具有指定精度的Decimal：

str_df.select(col("x").cast(DecimalType(38))).show(1, False)
## +----------------------+
## |x                     |
## +----------------------+
## |8273700287008010012345|
## +----------------------+

Answer 2

decimal(precision,scale) ，确保比例合适