将groupBy聚合为csv文件后保存pyspark数据帧

Posted 2021-04-04

我正在学习pyspark，我对如何将分组数据帧保存为csv文件感到困惑（假设由于某些原因 - 例如RAM限制 - 我不想将它首先转换为Pandas数据帧）。

有关可重复的示例：

import seaborn as sns
import findspark
findspark.init()
import pyspark
from pyspark.sql import SparkSession
spark = SparkSession.builder 
.master('local') 
.appName('Data cleaning') 
.getOrCreate()
from pyspark.context import SparkContext
sc = SparkContext.getOrCreate()
from pyspark.sql.functions import *

mpg= sns.load_dataset('mpg')
mpg_sp = spark.createDataFrame(mpg)
mpg_grp = mpg_sp.groupBy('model_year', 'origin').avg('displacement', 'weight')

# The command below fails in the sense that it creates a folder with multiple  files in it rather than a single csv file as I would expect

mpg_grp.write.csv('mpg_grp.csv')

# By applying the collect method I get a list which can not be saved as a csv file

mpg_grp1 = mpg_grp.collect()
type(mpg_grp1)
list

答案

Spark是一个分布式框架。因此，几个文件中的输出是正常行为......每个工作人员都会编写它的部分，从而产生几个小文件。

您可以使用此命令欺骗系统：

mpg_grp.coalesce(1).write.csv('mpg_grp.csv')

这将只写1个文件（但仍然在名为'mpg_grp.csv'的文件夹中）。 警告：可能很慢。

另一答案

以上答案是正确的，但其使用效果不是很好。 当然，您可以使用重新分区（1）或合并（1），但这会导致将所有数据传输给单个工作人员，并且会大大减慢代码速度。 为了避免这种情况，我建议您在数据集中的某个列上对数据进行分区。然后编写简单的代码以获得每个分区一个文件：

cols = ["$name"]
mpg_grp.repartition(cols).write.partitionBy(cols).csv("$location")

因此，数据将按照您的某个列在工作程序之间进行分区，并且每个分区只能获得一个文件（以日期为例）。