pyspark Row 列表的 RDD 到 DataFrame

Question

我有一个RDD，它的分区包含元素(碰巧是熊猫数据帧(，可以很容易地转换为行列表。 把它想象成这样

rows_list = []
for word in 'quick brown fox'.split():
rows = []
for i,c in enumerate(word):
x = ord(c) + i
row = pyspark.sql.Row(letter=c, number=i, importance=x)
rows.append(row)
rows_list.append(rows)
rdd = sc.parallelize(rows_list)
rdd.take(2)

这给了

[[Row(importance=113, letter='q', number=0),
Row(importance=118, letter='u', number=1),
Row(importance=107, letter='i', number=2),
Row(importance=102, letter='c', number=3),
Row(importance=111, letter='k', number=4)],
[Row(importance=98, letter='b', number=0),
Row(importance=115, letter='r', number=1),
Row(importance=113, letter='o', number=2),
Row(importance=122, letter='w', number=3),
Row(importance=114, letter='n', number=4)]]

我想把它变成一个Spark DataFrame。 我希望我能做到

rdd.toDF()

但这给出了一个无用的结构

DataFrame[_1: struct<importance:bigint,letter:string,number:bigint>,
_2: struct<importance:bigint,letter:string,number:bigint>,
_3: struct<importance:bigint,letter:string,number:bigint>, 
_4: struct<importance:bigint,letter:string,number:bigint>, 
_5: struct<importance:bigint,letter:string,number:bigint>]

我真正想要的是一个 3 列的数据帧，比如这个

desired_df = sql_context.createDataFrame(sum(rows_list, []))

这样我就可以执行这样的操作

desired_df.agg(pyspark.sql.functions.sum('number')).take(1)

并得到答案 23.

正确的方法是什么？

Answer 1

您有一个行列表的 RDD，而您需要行的 RDD;您可以使用flatMap展平rdd，然后将其转换为数据框：

rdd.flatMap(lambda x: x).toDF().show()
+----------+------+------+
|importance|letter|number|
+----------+------+------+
|       113|     q|     0|
|       118|     u|     1|
|       107|     i|     2|
|       102|     c|     3|
|       111|     k|     4|
|        98|     b|     0|
|       115|     r|     1|
|       113|     o|     2|
|       122|     w|     3|
|       114|     n|     4|
|       102|     f|     0|
|       112|     o|     1|
|       122|     x|     2|
+----------+------+------+
import pyspark.sql.functions as F
rdd.flatMap(lambda x: x).toDF().agg(F.sum('number')).show()
+-----------+
|sum(number)|
+-----------+
|         23|
+-----------+