pyspark:ValueError:推断后无法确定某些类型

Posted

技术标签:

【中文标题】pyspark:ValueError:推断后无法确定某些类型【英文标题】:pyspark: ValueError: Some of types cannot be determined after inferring 【发布时间】:2017-03-23 21:18:48 【问题描述】:

我有一个熊猫数据框my_dfmy_df.dtypes 给了我们:

ts              int64
fieldA         object
fieldB         object
fieldC         object
fieldD         object
fieldE         object
dtype: object

然后我尝试通过以下操作将 pandas 数据框 my_df 转换为 spark 数据框:

spark_my_df = sc.createDataFrame(my_df)

但是,我收到以下错误:

ValueErrorTraceback (most recent call last)
<ipython-input-29-d4c9bb41bb1e> in <module>()
----> 1 spark_my_df = sc.createDataFrame(my_df)
      2 spark_my_df.take(20)

/usr/local/spark-latest/python/pyspark/sql/session.py in createDataFrame(self, data, schema, samplingRatio)
    520             rdd, schema = self._createFromRDD(data.map(prepare), schema, samplingRatio)
    521         else:
--> 522             rdd, schema = self._createFromLocal(map(prepare, data), schema)
    523         jrdd = self._jvm.SerDeUtil.toJavaArray(rdd._to_java_object_rdd())
    524         jdf = self._jsparkSession.applySchemaToPythonRDD(jrdd.rdd(), schema.json())

/usr/local/spark-latest/python/pyspark/sql/session.py in _createFromLocal(self, data, schema)
    384 
    385         if schema is None or isinstance(schema, (list, tuple)):
--> 386             struct = self._inferSchemaFromList(data)
    387             if isinstance(schema, (list, tuple)):
    388                 for i, name in enumerate(schema):

/usr/local/spark-latest/python/pyspark/sql/session.py in _inferSchemaFromList(self, data)
    318         schema = reduce(_merge_type, map(_infer_schema, data))
    319         if _has_nulltype(schema):
--> 320             raise ValueError("Some of types cannot be determined after inferring")
    321         return schema
    322 

ValueError: Some of types cannot be determined after inferring

有谁知道上面的错误是什么意思?谢谢!

【问题讨论】:

【参考方案1】:

如果你使用RDD[Row].toDF()monkey-patched方法,你可以增加采样率,在推断类型时检查超过100条记录:

# Set sampleRatio smaller as the data size increases
my_df = my_rdd.toDF(sampleRatio=0.01)
my_df.show()

假设您的 RDD 中的所有字段中都有非空行,当您将 sampleRatio 增加到 1.0 时,它更有可能找到它们。

【讨论】:

如果你的 rdd 非常大,让你的采样率更像 0.01,否则 spark 在工作的最后会花费很长时间 @crypdick 我会修改答案,这是一个更好的默认值,谢谢。【参考方案2】:

我也遇到过同样的问题,如果您不需要为 null 的列,您可以在导入到 spark 之前简单地将它们从 pandas 数据框中删除:

my_df = my_df.dropna(axis='columns', how='all') # Drops columns with all NA values
spark_my_df = sc.createDataFrame(my_df)

【讨论】:

如果不是从 pandas 导入,你会怎么做? 这取决于您使用什么来导入,最初的问题是关于从 Pandas 导入。【参考方案3】:

这可能是因为所有列都具有空值。您应该先删除这些列,然后再将它们转换为 spark 数据框

【讨论】:

【参考方案4】:

为了推断字段类型,PySpark 会查看每个字段中的非无记录。如果一个字段只有 None 记录,PySpark 无法推断类型并会引发该错误。

手动定义架构将解决问题

>>> from pyspark.sql.types import StructType, StructField, StringType
>>> schema = StructType([StructField("foo", StringType(), True)])
>>> df = spark.createDataFrame([[None]], schema=schema)
>>> df.show()
+----+
|foo |
+----+
|null|
+----+

【讨论】:

我可以只给出整个 None 列的架构并跳过其余列吗?【参考方案5】:

要解决此问题,您可以提供自己定义的架构。

例如:

重现错误:

>>> df = spark.createDataFrame([[None, None]], ["name", "score"])

修复错误:

>>> from pyspark.sql.types import StructType, StructField, StringType, DoubleType
>>> schema = StructType([StructField("name", StringType(), True), StructField("score", DoubleType(), True)])
>>> df = spark.createDataFrame([[None, None]], schema=schema)
>>> df.show()
+----+-----+
|name|score|
+----+-----+
|null| null|
+----+-----+

【讨论】:

如果我们有超过 2 列,并且只有 1 列完全为空,是否有更好的优雅方式来传递架构,而无需为所有列显式定义架构?

以上是关于pyspark:ValueError:推断后无法确定某些类型的主要内容,如果未能解决你的问题,请参考以下文章

ValueError:尝试在 pyspark 中的非包中进行相对导入/无法找到 kmodes 模块(pyspark)

PySpark - ValueError:无法将列转换为布尔值

从 RDD 创建 df 时出现 pyspark 错误:TypeError:无法推断类型的架构:<type 'float'>

Pyspark rdd.zip ValueError:无法反序列化具有不同成对项目数的 RDD

pyspark.sql.utils.AnalysisException:u'无法推断Parquet的模式。必须手动指定。

ValueError: RDD 为空-- Pyspark (Windows Standalone)