向 pyspark Dataframe 添加新行

Posted 2023-03-31

【中文标题】向 pyspark Dataframe 添加新行

【英文标题】：Add new rows to pyspark Dataframe

【发布时间】：2018-10-07 05:03:12

【问题描述】：

我是一个非常新的 pyspark，但对 pandas 很熟悉。 我有一个 pyspark 数据框

# instantiate Spark
spark = SparkSession.builder.getOrCreate()

# make some test data
columns = ['id', 'dogs', 'cats']
vals = [
     (1, 2, 0),
     (2, 0, 1)
]

# create DataFrame
df = spark.createDataFrame(vals, columns)

想要添加新行 (4,5,7) 以便输出：

df.show()
+---+----+----+
| id|dogs|cats|
+---+----+----+
|  1|   2|   0|
|  2|   0|   1|
|  4|   5|   7|
+---+----+----+

【问题讨论】：

您能否指出答案是否可以接受等。如果不是，请另行告知。

【参考方案1】：

正如thebluephantom 已经说过联合是要走的路。我只是在回答你的问题，给你一个 pyspark 的例子：

# if not already created automatically, instantiate Sparkcontext
spark = SparkSession.builder.getOrCreate()

columns = ['id', 'dogs', 'cats']
vals = [(1, 2, 0), (2, 0, 1)]

df = spark.createDataFrame(vals, columns)

newRow = spark.createDataFrame([(4,5,7)], columns)
appended = df.union(newRow)
appended.show()

请查看 databricks 常见问题解答：https://kb.databricks.com/data/append-a-row-to-rdd-or-dataframe.html

【参考方案2】：

从我所做的事情来看，使用 union，显示一个块部分编码 - 你当然需要适应自己的情况：

val dummySchema = StructType(
StructField("phrase", StringType, true) :: Nil)
var dfPostsNGrams2 = spark.createDataFrame(sc.emptyRDD[Row], dummySchema)
for (i <- i_grams_Cols) 
    val nameCol = col(i)
    dfPostsNGrams2 = dfPostsNGrams2.union(dfPostsNGrams.select(explode(nameCol).as("phrase")).toDF )
 

DF 与自身的联合是要走的路。

【讨论】：

这个例子有点出路，但它是关于UNION的。

【参考方案3】：

另一种选择是使用分区拼花格式，并为要附加的每个数据帧添加一个额外的拼花文件。通过这种方式，您可以创建（数百、数千、数百万）个 parquet 文件，当您稍后读取目录时，spark 会将它们作为一个联合文件读取。

本例使用 pyarrow

注意，如果您已经知道要将单个 parquet 文件放在哪里，我还展示了如何编写未分区的单个 parquet (example.parquet)。

import pyarrow.parquet as pq
import pandas as pd

headers=['A', 'B', 'C']

row1 = ['a1', 'b1', 'c1']
row2 = ['a2', 'b2', 'c2']

df1 = pd.DataFrame([row1], columns=headers)
df2 = pd.DataFrame([row2], columns=headers)

df3 = df1.append(df2, ignore_index=True)


table = pa.Table.from_pandas(df3)

pq.write_table(table, 'example.parquet', flavor='spark')
pq.write_to_dataset(table, root_path="test_part_file", partition_cols=['B', 'C'], flavor='spark')

# Adding a new partition (B=b2/C=c3


row3 = ['a3', 'b3', 'c3']
df4 = pd.DataFrame([row3], columns=headers)

table2 = pa.Table.from_pandas(df4)
pq.write_to_dataset(table2, root_path="test_part_file", partition_cols=['B', 'C'], flavor='spark')

# Add another parquet file to the B=b2/C=c2 partition
# Note this does not overwrite existing partitions, it just appends a new .parquet file.
# If files already exist, then you will get a union result of the two (or multiple) files when you read the partition
row5 = ['a5', 'b2', 'c2']
df5 = pd.DataFrame([row5], columns=headers)
table3 = pa.Table.from_pandas(df5)
pq.write_to_dataset(table3, root_path="test_part_file", partition_cols=['B', 'C'], flavor='spark')

之后读取输出

from pyspark.sql import SparkSession

spark = (SparkSession
         .builder
         .appName("testing parquet read")
         .getOrCreate())

df_spark = spark.read.parquet('test_part_file')
df_spark.show(25, False)

你应该会看到这样的东西

+---+---+---+
|A  |B  |C  |
+---+---+---+
|a5 |b2 |c2 |
|a2 |b2 |c2 |
|a1 |b1 |c1 |
|a3 |b3 |c3 |
+---+---+---+

如果您再次端到端地运行相同的东西，您应该会看到类似这样的重复项（因为之前的所有 parquet 文件仍然存在，所以火花联合它们）。

+---+---+---+
|A  |B  |C  |
+---+---+---+
|a2 |b2 |c2 |
|a5 |b2 |c2 |
|a5 |b2 |c2 |
|a2 |b2 |c2 |
|a1 |b1 |c1 |
|a1 |b1 |c1 |
|a3 |b3 |c3 |
|a3 |b3 |c3 |
+---+---+---+