将列表转换为数据框，然后在 pyspark 中加入不同的数据框

Posted 2023-04-15

【中文标题】将列表转换为数据框，然后在 pyspark 中加入不同的数据框

【英文标题】：Convert list to dataframe and then join with different dataframe in pyspark

【发布时间】：2021-01-27 13:55:11

【问题描述】：

我正在使用 pyspark 数据帧。

我有一个日期类型值列表：

date_list = ['2018-01-19', '2018-01-20', '2018-01-17']

我还有一个数据框 (mean_df)，它只有一列 (mean)。

+----+
|mean|
+----+
|67  |
|78  |
|98  |
+----+

现在我想将 date_list 转换为列并加入 mean_df：

预期输出：

+------------+----+
|dates       |mean|
+------------+----+
|2018-01-19  |  67|
|2018-01-20  |  78|
|2018-01-17  |  98|
+------------+----+

我尝试将列表转换为数据框（date_df）：

date_df = spark.createDataFrame([(l,) for l in date_list], ['dates'])

然后对 date_df 和 mean_df 使用 monotonically_increasing_id() 和新列名“idx”并使用 join ：

date_df = mean_df.join(date_df, mean_df.idx == date_df.idx).drop("idx")

我收到超时错误，所以我将默认的 broadcastTimeout 300s 更改为 6000s

spark.conf.set("spark.sql.broadcastTimeout", 6000)

但它根本不起作用。此外，我现在正在处理一个非常小的数据样本。实际数据足够大。

代码片段：

date_list = ['2018-01-19', '2018-01-20', '2018-01-17']
mean_list = []


for d in date_list:
    h2_df1, h2_df2 = hypo_2(h2_df, d, 2)
    
    mean1 = h2_df1.select(_mean(col('count_before')).alias('mean_before'))
   
    mean_list.append(mean1)
    
    
mean_df = reduce(DataFrame.unionAll, mean_list)

【问题讨论】：

Spark 数据帧是无序的。你怎么知道 mean_df 数据框中的哪一行对应于哪个日期？

@mck 平均值是使用 for 循环计算的。并且 for 循环从 date_list 获取日期。所以这三种方式基本对应列表中的日期顺序。

意思是第一个被收集在一个列表中。然后将其转换为数据帧 mean_df。我希望将日期和均值放在一个数据框中以进行进一步分析。

当您将其转换为数据框时，您将丢失列表中的顺序，因此分配日期变得不可能。您需要将收集平均值的日期包含在列表中。你能展示一下代码吗？

@mck 当然，我刚刚在帖子中添加了 sn-p。

【参考方案1】：

您可以使用withColumn 和lit 将日期添加到数据框：

import pyspark.sql.functions as F

date_list = ['2018-01-19', '2018-01-20', '2018-01-17']
mean_list = []

for d in date_list:
    h2_df1, h2_df2 = hypo_2(h2_df, d, 2)
    
    mean1 = h2_df1.select(F.mean(F.col('count_before')).alias('mean_before')).withColumn('date', F.lit(d))
   
    mean_list.append(mean1)
    
    
mean_df = reduce(DataFrame.unionAll, mean_list)