将列表转换为 pyspark 数据帧

Question

使用 pyspark 2.1，我试图找到一些预测结果，代码如下

restultSet=testingData.map(lambda p: (p.label, linearModel.predict(p.features))).collect()

现在restultSet的输出在列表中，如下所示

[(2.0, array([ 2.09078012])), (2.0, array([ 2.09078012])), (2.0, array([ 2.09078012])), (1.0, array([ 2.09078012])), (2.0, array([ 2.09078012])), (1.0, array([ 2.09078012]))]

当我有给定类型（restultSet）时，它向我显示以下结果

我正在努力从列表转换为数据帧

我尝试使用以下片段，它不起作用.请帮忙

restultSet.toDF()

Answer 1

您无法将restultSet转换为 Spark 数据帧，因为由于collect，它是一个 Python 列表，toDF适用于 RDD。

删除collect ，并再添加一个map将 numpy 数组转换为 Vectors.dense 应该可以完成这项工作。

下面是您提供的数据的示例：

import numpy as np
from pyspark.ml.linalg import Vectors
# your data as an RDD (i.e. before 'collect')
dd = sc.parallelize([(2.0, np.array([ 2.09078012])), (2.0, np.array([ 2.09078012])), (2.0, np.array([ 2.09078012])), (1.0, np.array([ 2.09078012])), (2.0, np.array([ 2.09078012])), (1.0, np.array([ 2.09078012]))])
dd.take(1)
# [(2.0, array([ 2.09078012]))]
df = dd.map(lambda x: (x[0], Vectors.dense(x[1]))).toDF()
df.show()
# +---+------------+ 
# | _1|          _2|
# +---+------------+
# |2.0|[2.09078012]| 
# |2.0|[2.09078012]|
# |2.0|[2.09078012]|
# |1.0|[2.09078012]|
# |2.0|[2.09078012]|
# |1.0|[2.09078012]|
# +---+------------+

要为生成的列命名，请将它们作为 list 参数包含在 toDF 中，即 toDF(["column_1", "column_2"]) .