来自 Python 字典的 PySpark 数据框,没有 Pandas
Posted
技术标签:
【中文标题】来自 Python 字典的 PySpark 数据框,没有 Pandas【英文标题】:PySpark Dataframe from Python Dictionary without Pandas 【发布时间】:2018-07-27 09:29:15 【问题描述】:我正在尝试将以下 Python dict
转换为 PySpark DataFrame,但我没有得到预期的输出。
dict_lst = 'letters': ['a', 'b', 'c'],
'numbers': [10, 20, 30]
df_dict = sc.parallelize([dict_lst]).toDF() # Result not as expected
df_dict.show()
有没有办法在不使用 Pandas 的情况下做到这一点?
【问题讨论】:
【参考方案1】:引用myself:
我发现将 createDataFrame() 的参数视为元组列表很有用,其中列表中的每个条目对应于 DataFrame 中的一行,元组的每个元素对应于一列。
所以最简单的事情就是把你的字典转换成这种格式。您可以使用zip()
轻松做到这一点:
column_names, data = zip(*dict_lst.items())
spark.createDataFrame(zip(*data), column_names).show()
#+-------+-------+
#|letters|numbers|
#+-------+-------+
#| a| 10|
#| b| 20|
#| c| 30|
#+-------+-------+
以上假设所有列表的长度相同。如果不是这种情况,则必须使用 itertools.izip_longest
(python2) 或 itertools.zip_longest
(python3)。
from itertools import izip_longest as zip_longest # use this for python2
#from itertools import zip_longest # use this for python3
dict_lst = 'letters': ['a', 'b', 'c'],
'numbers': [10, 20, 30, 40]
column_names, data = zip(*dict_lst.items())
spark.createDataFrame(zip_longest(*data), column_names).show()
#+-------+-------+
#|letters|numbers|
#+-------+-------+
#| a| 10|
#| b| 20|
#| c| 30|
#| null| 40|
#+-------+-------+
【讨论】:
【参考方案2】:您的dict_lst
并不是您真正想要采用的格式来创建数据框。如果你有一个字典列表而不是列表字典会更好。
此代码从您的列表中创建一个 DataFrame :
from pyspark.sql import SQLContext, Row
sqlContext = SQLContext(sc)
dict_lst = 'letters': ['a', 'b', 'c'],
'numbers': [10, 20, 30]
values_lst = dict_lst.values()
nb_rows = [len(lst) for lst in values_lst]
assert min(nb_rows)==max(nb_rows) #We must have the same nb of elem for each key
row_lst = []
columns = dict_lst.keys()
for i in range(nb_rows[0]):
row_values = [lst[i] for lst in values_lst]
row_dict = column: value for column, value in zip(columns, row_values)
row = Row(**row_dict)
row_lst.append(row)
df = sqlContext.createDataFrame(row_lst)
【讨论】:
【参考方案3】:使用上面的pault's
答案,我在我的数据框上强加了一个特定的架构,如下所示:
import pyspark
from pyspark.sql import SparkSession, functions
spark = SparkSession.builder.appName('dictToDF').getOrCreate()
获取数据:
dict_lst = 'letters': ['a', 'b', 'c'],'numbers': [10, 20, 30]
data = dict_lst.values()
创建架构:
from pyspark.sql.types import *
myschema= StructType([ StructField("letters", StringType(), True)\
,StructField("numbers", IntegerType(), True)\
])
从字典创建 df - 使用架构:
df=spark.createDataFrame(zip(*data), schema = myschema)
df.show()
+-------+-------+
|letters|numbers|
+-------+-------+
| a| 10|
| b| 20|
| c| 30|
+-------+-------+
显示 df 架构:
df.printSchema()
root
|-- letters: string (nullable = true)
|-- numbers: integer (nullable = true)
【讨论】:
【参考方案4】:您还可以使用 Python List 快速构建 DataFrame 原型。这个想法是基于Databricks的教程。
df = spark.createDataFrame(
[(1, "a"),
(1, "a"),
(1, "b")],
("id", "value"))
df.show()
+---+-----+
| id|value|
+---+-----+
| 1| a|
| 1| a|
| 1| b|
+---+-----+
【讨论】:
【参考方案5】:试试这个:
dict_lst = ['letters': 'a', 'numbers': 10,
'letters': 'b', 'numbers': 20,
'letters': 'c', 'numbers': 30]
df_dict = sc.parallelize(dict_lst).toDF() # Result as expected
输出:
>>> df_dict.show()
+-------+-------+
|letters|numbers|
+-------+-------+
| a| 10|
| b| 20|
| c| 30|
+-------+-------+
【讨论】:
如果他的dict_lst
不采用这种格式,这实际上是不可扩展的。【参考方案6】:
最有效的方法是使用 Pandas
import pandas as pd
spark.createDataFrame(pd.DataFrame(dict_lst))
【讨论】:
问题中说“不使用 Pandas”。以上是关于来自 Python 字典的 PySpark 数据框,没有 Pandas的主要内容,如果未能解决你的问题,请参考以下文章
将标准 python 键值字典列表转换为 pyspark 数据框
将字典保存为 pyspark 数据框并加载它 - Python、Databricks