PySpark - 从Numpy Matrix创建DataFrame

Posted 2021-05-01

我有一个numpy矩阵：

arr = np.array([[2,3], [2,8], [2,3],[4,5]])

我需要从arr创建一个PySpark Dataframe。我无法手动输入值，因为arr的长度/值将动态变化，因此我需要将arr转换为数据帧。

我尝试了以下代码，但没有成功。

df= sqlContext.createDataFrame(arr,["A", "B"])

但是，我收到以下错误。

TypeError: Can not infer schema for type: <type 'numpy.ndarray'>

答案

希望这可以帮助！

import numpy as np

#sample data
arr = np.array([[2,3], [2,8], [2,3],[4,5]])

rdd1 = sc.parallelize(arr)
rdd2 = rdd1.map(lambda x: [int(i) for i in x])
df = rdd2.toDF(["A", "B"])
df.show()

输出是：

+---+---+
|  A|  B|
+---+---+
|  2|  3|
|  2|  8|
|  2|  3|
|  4|  5|
+---+---+

另一答案

import numpy as np
from pyspark.ml.linalg import Vectors
arr = np.array([[2,3], [2,8], [2,3],[4,5]])
df = np.concatenate(arr).reshape(1000,-1)
dff = map(lambda x: (int(x[0]), Vectors.dense(x[1:])), df)
mydf = spark.createDataFrame(dff,schema=["label", "features"])
mydf.show(5)

试试这个会工作..