如何在pyspark中循环遍历每一行dataFrame

Question

E.g

sqlContext = SQLContext(sc)
sample=sqlContext.sql("select Name ,age ,city from user")
sample.show()

上面的语句将整个表格打印到终端上。但我想使用for或while访问该表中的每一行，以执行进一步的计算。

Answer 1

你根本不能。DataFrames和其他分布式数据结构一样，是不可迭代的，只能使用专用的高阶函数和/或SQL方法进行访问。

你当然可以collect

for row in df.rdd.collect():
    do_something(row)

或转换toLocalIterator

for row in df.rdd.toLocalIterator():
    do_something(row)

并如上所示在本地进行迭代，但它胜过了使用Spark的所有目的。

Answer 2

要"循环"并利用Spark的并行计算框架，可以定义一个自定义函数并使用map。

def customFunction(row):
   return (row.name, row.age, row.city)
sample2 = sample.rdd.map(customFunction)

或

sample2 = sample.rdd.map(lambda x: (x.name, x.age, x.city))

然后，自定义函数将应用于数据帧的每一行。请注意，sample2将是RDD，而不是数据帧。

如果要执行更复杂的计算，则可能需要Map。如果只需要添加一个简单的派生列，可以使用withColumn，返回一个数据帧。

sample3 = sample.withColumn('age2', sample.age + 2)

Answer 3

使用python中的列表理解，您只需使用两行即可将整列值收集到列表中：

df = sqlContext.sql("show tables in default")
tableList = [x["tableName"] for x in df.rdd.collect()]

在上面的示例中，我们返回数据库"default"中的表列表，但可以通过替换sql（）中使用的查询来调整该列表。

或缩写：

tableList = [x["tableName"] for x in sqlContext.sql("show tables in default").rdd.collect()]

对于您的三列示例，我们可以创建一个字典列表，然后在for循环中对它们进行迭代。

sql_text = "select name, age, city from user"
tupleList = [{name:x["name"], age:x["age"], city:x["city"]} 
             for x in sqlContext.sql(sql_text).rdd.collect()]
for row in tupleList:
    print("{} is a {} year old from {}".format(
        row["name"],
        row["age"],
        row["city"]))

Answer 4

试试这个

    result = spark.createDataFrame([('SpeciesId','int'), ('SpeciesName','string')],["col_name", "data_type"]); 
    for f in result.collect(): 
        print (f.col_name)

Answer 5

这可能不是最佳实践，但您可以简单地使用collect()针对特定列，将其导出为行列表，并在列表中循环。

假设这是你的df:

+----------+----------+-------------------+-----------+-----------+------------------+ 
|      Date|  New_Date|      New_Timestamp|date_sub_10|date_add_10|time_diff_from_now|
+----------+----------+-------------------+-----------+-----------+------------------+ 
|2020-09-23|2020-09-23|2020-09-23 00:00:00| 2020-09-13| 2020-10-03| 51148            | 
|2020-09-24|2020-09-24|2020-09-24 00:00:00| 2020-09-14| 2020-10-04| -35252           |
|2020-01-25|2020-01-25|2020-01-25 00:00:00| 2020-01-15| 2020-02-04| 20963548         |
|2020-01-11|2020-01-11|2020-01-11 00:00:00| 2020-01-01| 2020-01-21| 22173148         |
+----------+----------+-------------------+-----------+-----------+------------------+

要在"日期"列中的行中循环：

rows = df3.select('Date').collect()
final_list = []
for i in rows:
    final_list.append(i[0])
print(final_list)

Answer 6

如果要对DataFrame对象中的每一行执行某些操作，请使用map。这将允许您对每一行执行进一步的计算。它相当于在从0到len(dataset)-1的整个数据集上循环。

请注意，这将返回PipelinedRDD，而不是DataFrame。

Answer 7

高于

tupleList = [{name:x["name"], age:x["age"], city:x["city"]} 

应该是

tupleList = [{'name':x["name"], 'age':x["age"], 'city':x["city"]} 

对于name，age和city不是变量，而只是字典的关键字。