如何阅读pyspark中的特定列?
Posted
技术标签:
【中文标题】如何阅读pyspark中的特定列?【英文标题】:How to read specific column in pyspark? 【发布时间】:2017-05-29 10:55:46 【问题描述】:我是 pyspark 的新手。我想从输入文件中读取特定列。我知道如何在 pandas 中做到这一点
df=pd.read_csv('file.csv',usecols=[0,1,2])
但是pyspark中是否有类似这个操作的功能呢?
【问题讨论】:
【参考方案1】:您好,您可以使用地图来选择特定的列
from pyspark import SQLContext
from pyspark import SparkConf, SparkContext
conf = SparkConf().setAppName("ReadCSV")
sc = SparkContext(conf=conf)
sqlctx = SQLContext(sc)
df=sc.textFile("te2.csv") \
.map(lambda line: line.split(";")) \
.map(lambda line: (line[0],line[3])) \
.toDF()
【讨论】:
【参考方案2】:读取 CSV 文件通常不像 @zlidime 的回答所暗示的那样简单。
如果行的列内容中有;
字符怎么办?然后你需要解析引号,并提前知道引号字符是什么。
或者,也许您想跳过标题,或者解析它以获得列名。
相反,如here 所述,您可以使用dataframes
df = sqlContext.read.format("com.databricks.spark.csv").option("header", "true").load("te2.csv")
要查询列,您可以使用:
df.col("col_1").cast("int")
【讨论】:
以上是关于如何阅读pyspark中的特定列?的主要内容,如果未能解决你的问题,请参考以下文章
如何从 PySpark DataFrame 的列中分离特定字符并使用它们形成一个新列?