如何将行转换为pyspark中的字典列表？

Posted 2023-04-15

【中文标题】如何将行转换为pyspark中的字典列表？

【英文标题】：How to convert rows into a list of dictionaries in pyspark?

【发布时间】：2018-03-22 15:10:22

【问题描述】：

我在 pyspark 中有一个 DataFrame(df)，通过从配置单元表中读取：

df=spark.sql('select * from <table_name>')


+++++++++++++++++++++++++++++++++++++++++++
|  Name    |    URL visited               |
+++++++++++++++++++++++++++++++++++++++++++
|  person1 | [google,msn,yahoo]           |
|  person2 | [fb.com,airbnb,wired.com]    |
|  person3 | [fb.com,google.com]          |
+++++++++++++++++++++++++++++++++++++++++++

当我尝试以下时，出现错误

df_dict = dict(zip(df['name'],df['url']))
"TypeError: zip argument #1 must support iteration."

type(df.name) is of 'pyspark.sql.column.Column'

我如何创建一个像下面这样的字典，以后可以迭代

'person1':'google','msn','yahoo'
'person2':'fb.com','airbnb','wired.com'
'person3':'fb.com','google.com'

感谢您的想法和帮助。

【问题讨论】：

您的示例输出不是有效的字典。

【参考方案1】：

我觉得你可以试试row.asDict()，这段代码直接在executor上运行，你不用在driver上收集数据。

类似：

df.rdd.map(lambda row: row.asDict())

【讨论】：

请注意，这将生成以下形式的行："Name": "person1", "URL Visited": ["google","msn","yahoo"] ，这不是 OP 要求的输出，但很容易更改 map 函数来解决此问题。

【参考方案2】：

使用 pyspark Row.as_Dict() 方法怎么样？这是数据帧 API 的一部分（我理解为撰写本文时的“推荐”API），根本不需要您使用 RDD API。

df_list_of_dict = [row.asDict() for row in df.collect()]

type(df_list_of_dict), type(df_list_of_dict[0])
#(<class 'list'>, <class 'dict'>)

df_list_of_dict
#['person1': ['google','msn','yahoo'],
# 'person2': ['fb.com','airbnb','wired.com'],
# 'person3': ['fb.com','google.com']]

【参考方案3】：

如果您希望将结果保存在 python 字典中，可以使用 collect()¹ 将数据导入本地内存，然后根据需要处理输出。

首先收集数据：

df_dict = df.collect()
#[Row(Name=u'person1', URL visited=[u'google', u'msn,yahoo']),
# Row(Name=u'person2', URL visited=[u'fb.com', u'airbnb', u'wired.com']),
# Row(Name=u'person3', URL visited=[u'fb.com', u'google.com'])]

这将返回pyspark.sql.Row 对象的列表。您可以轻松地将其转换为dicts 的列表：

df_dict = [r['Name']: r['URL visited'] for r in df_dict]
#[u'person1': [u'google', u'msn,yahoo'],
# u'person2': [u'fb.com', u'airbnb', u'wired.com'],
# u'person3': [u'fb.com', u'google.com']]

¹ 请注意，对于大型数据集，此操作可能会很慢，并且可能会因内存不足错误而失败。您应该首先考虑这是否是您真正想要做的事情，因为将数据带入本地内存会失去 spark 的并行化优势。

【参考方案4】：

给定：

+++++++++++++++++++++++++++++++++++++++++++
|  Name    |    URL visited               |
+++++++++++++++++++++++++++++++++++++++++++
|  person1 | [google,msn,yahoo]           |
|  person2 | [fb.com,airbnb,wired.com]    |
|  person3 | [fb.com,google.com]          |
+++++++++++++++++++++++++++++++++++++++++++

这应该可行：

df_dict = df \
    .rdd \
    .map(lambda row: row[0]: row[1]) \
    .collect()

df_dict

#['person1': ['google','msn','yahoo'],
# 'person2': ['fb.com','airbnb','wired.com'],
# 'person3': ['fb.com','google.com']]

这种方式你只是在处理后收集。

请告诉我这是否适合你:)