Zeppelin：Scala Dataframe 到 python

Posted 2023-04-15

【中文标题】Zeppelin：Scala Dataframe 到 python

【英文标题】：Zeppelin: Scala Dataframe to python

【发布时间】：2016-03-01 09:32:52

【问题描述】：

如果我有一个带有 DataFrame 的 Scala 段落，我可以与 python 共享和使用它吗？ （据我了解，pyspark 使用 py4j）

我试过这个：

Scala 段落：

x.printSchema
z.put("xtable", x )

Python 段落：

%pyspark

import numpy as np
import pandas as pd

import matplotlib.pyplot as plt
import seaborn as sns

the_data = z.get("xtable")

print the_data

sns.set()
g = sns.PairGrid(data=the_data,
                 x_vars=dependent_var,
                 y_vars=sensor_measure_columns_names +  operational_settings_columns_names,
                 hue="UnitNumber", size=3, aspect=2.5)
g = g.map(plt.plot, alpha=0.5)
g = g.set(xlim=(300,0))
g = g.add_legend()

错误：

Traceback (most recent call last):
  File "/tmp/zeppelin_pyspark.py", line 222, in <module>
    eval(compiledCode)
  File "<string>", line 15, in <module>
  File "/usr/local/lib/python2.7/dist-packages/seaborn/axisgrid.py", line 1223, in __init__
    hue_names = utils.categorical_order(data[hue], hue_order)
TypeError: 'JavaObject' object has no attribute '__getitem__'

解决办法：

%pyspark

import numpy as np
import pandas as pd

import matplotlib.pyplot as plt
import seaborn as sns

import StringIO
def show(p):
    img = StringIO.StringIO()
    p.savefig(img, format='svg')
    img.seek(0)
    print "%html <div style='width:600px'>" + img.buf + "</div>"

df = sqlContext.table("fd").select()
df.printSchema
pdf = df.toPandas()

g = sns.pairplot(data=pdf,
                 x_vars=["setting1","setting2"],
                 y_vars=["s4", "s3", 
                         "s9", "s8", 
                         "s13", "s6"],
                 hue="id", aspect=2)
show(g)   

【参考方案1】：

您可以在 Scala 中将DataFrame 注册为临时表：

// registerTempTable in Spark 1.x
df.createTempView("df")

并在 Python 中使用SQLContext.table 阅读它：

df = sqlContext.table("df")

如果你真的想使用put / get，你需要从头开始构建 Python DataFrame：

z.put("df", df: org.apache.spark.sql.DataFrame)

from pyspark.sql import DataFrame

df = DataFrame(z.get("df"), sqlContext)

要使用matplotlib 进行绘图，您需要使用collect 或toPandas 将DataFrame 转换为本地Python 对象：

pdf = df.toPandas()

请注意，它将获取数据给驱动程序。

另见moving Spark DataFrame from Python to Scala whithn Zeppelin

【讨论】：

使用 Spark 1.6.0 或更早版本时，您需要为您使用的每种语言显式声明一个新的 SQLContext。事实上，由于SPARK-13180 错误，Zeppelin 在启动时创建的 HiveContext 无法正常工作。在这种情况下，我发现在 Python 和 Scala 之间共享 DataFrame 的唯一方法是将 Dataframe 引用本身放在 Scala 的 Zeppelin 上下文中，并使用 DataFrame(z.get("df"), sqlContext) 从 Python 中恢复它。

通过创建任何 temptable，您可以在 %sql 中访问它