尝试在 Dataproc 上提交作业时"ImportError: no module named pandas"

Question

我正在使用用于Google Cloud Dataproc的Python客户端库来运行一个脚本，该cloug dataproc自动提供群集，提交作业等。但是，在尝试提交作业时，它会以ImportError: no module named pandas返回。我导入大熊猫以及作业运行的脚本中的其他几个软件包。我不确定如何解决这个问题。

那么这有意义吗？

    #!/bin/bash
    ROLE=$(/usr/share/google/get_metadata_value attributes/dataproc-role)
    if [[ "${ROLE}" == 'Master' ]]; then 
        apt-get install python-pandas -y
        apt-get install python-numpy -y
        apt-get install g++ cmake
        apt-get install python-math
        apt-get install python-argparse
        apt-get install python-os
        apt-get install python-sys
        apt-get install python-glob
        apt-get install python-gzip
        apt-get install python-hail
     fi

这是我更新的bash脚本：

    #!/bin/bash
    list= "python-pandas, python-numpy, python-argparse"
    ROLE=$(/usr/share/google/get_metadata_value attributes/dataproc-role)
    if [[ "${ROLE}" == 'Master' ]]; then 
        for i in $list; do
          sudo apt-get install -y $i
        done
        wget -P /home/anaconda2/ https://repo.continuum.io/archive/Anaconda2-4.3.1-Linux-x86_64.sh
        bash /home/anaconda2/Anaconda2-4.3.1-Linux-x86_64.sh -b -f -p /home/anaconda2/
        chmod /home/anaconda2 0777
        /home/anaconda2/bin/pip install lxml
        /home/anaconda2/bin/pip install jupyter-spark
        /home/anaconda2/bin/pip install jgscm
    fi

Answer 1

pands默认未在DataProc上安装。您可以通过类似于此的初始化操作安装自定义Python库。

供参考，我已经运行以下操作只是为了验证熊猫至少在一个节点上找到：

#!/usr/bin/python
import pyspark
import pandas
sc = pyspark.SparkContext()
vals = sc.parallelize(xrange(1, 100))
reprs = vals.mapPartitions(lambda es: [repr(pandas) for e in es])
for r in reprs.collect():
  print r

我的初始化动作就是简单的：

#!/bin/bash
apt-get install python-pandas python-numpy -y