Pyspark 将 rdd 转换为具有空值的数据帧
Posted
技术标签:
【中文标题】Pyspark 将 rdd 转换为具有空值的数据帧【英文标题】:Pyspark converting rdd to dataframe with nulls 【发布时间】:2017-01-13 12:02:01 【问题描述】:我正在使用 pyspark (1.6) 和 elasticsearch-hadoop (5.1.1)。我通过以下方式将我的数据从 elasticsearch 转换为 rdd 格式:
es_rdd = sc.newAPIHadoopRDD(
inputFormatClass="org.elasticsearch.hadoop.mr.EsInputFormat",
keyClass="org.apache.hadoop.io.NullWritable",
valueClass="org.elasticsearch.hadoop.mr.LinkedMapWritable",
conf=es_read_conf)
这里的 es_read_conf 只是我的 ES 集群的字典,作为 sc 的 SparkContext 对象。这工作正常,我得到了 rdd 对象。
我想使用
将其转换为数据框df = es_rdd.toDF()
但我得到了错误:
ValueError: Some of types cannot be determined by the first 100 rows, please try again with sampling
给 toDF 方法一个 sampleSize 会导致同样的错误。据我了解,这是因为 pyspark 无法确定每个字段的类型。我知道我的弹性搜索集群中有一些字段都是空的。
将其转换为数据框的最佳方法是什么?
【问题讨论】:
【参考方案1】:告诉 Spark 您要转换的数据类型的最佳方式。请参阅createDataFrame 的文档和第五个示例(里面有StructType
的那个)
【讨论】:
以上是关于Pyspark 将 rdd 转换为具有空值的数据帧的主要内容,如果未能解决你的问题,请参考以下文章