来自 pandas 系列的 Spark DataFrame

Posted 2023-04-15

【中文标题】来自 pandas 系列的 Spark DataFrame

【英文标题】：Spark DataFrame from pandas Series

【发布时间】：2017-11-13 12:19:10

【问题描述】：

我有一个熊猫系列对象

dates = pd.Series(pd.date_range(start_date,end_date))/
.dt.strftime('%y%m%d')/
.astype(int)/

我想直接从 Series 对象创建 Spark DF，无需中间 Pandas 数据框

    _schema = StructType([
     StructField("date_id", IntegerType(), True),
])

    dates_rdd = sc.parallelize(dates)
    self.date_table = spark.createDataFrame(dates_rdd, _schema)

错误：

Error: raise TypeError("StructType can not accept object %r in type %s" % 
(obj, type(obj)))
TypeError: StructType can not accept object 160101 in type <class 
'numpy.int64'>

如果我将 Series 对象更改为：

    dates = pd.Series(pd.date_range(start_date,end_date))/
    .dt.strftime('%y%m%d')/
    .astype(int).values.tolist()

错误变成：

 raise TypeError("StructType can not accept object %r in type %s" % (obj, 
 type(obj)))
 TypeError: StructType can not accept object 160101 in type <class 'int'>

如何正确地将日期列表/rdd 中包含的 Int 值映射到 Spark Dataframes 接受的 Python 本机整数？

【问题讨论】：

@Suresh 还是一样的错误

start_date,end_date 值好吗？

【参考方案1】：

这将起作用：

dates_rdd = sc.parallelize(dates).map(lambda x: tuple([int(x)]))
date_table = spark.createDataFrame(dates_rdd, _schema)

在定义dates_rdd时附加map的目的是为了让rdd的格式匹配schema

【讨论】：

ok 基本上和下面的答案一样，比我快 20 秒 ;)

是的，基本上他之前已经发表了评论，所以我相信接受他的回答是公平的

【参考方案2】：

相信，你错过了为每个系列值创建一个元组，

>>> dates = pd.Series(pd.date_range(start='1/1/1980', end='1/11/1980')).dt.strftime('%y%m%d').astype(int).values.tolist()
>>> rdd = sc.parallelize(dates).map(lambda x:(x,))
>>> _schema = StructType([StructField("date_id", IntegerType(), True),])
>>> df = spark.createDataFrame(rdd,schema=_schema)
>>> df.show()
+-------+
|date_id|
+-------+
| 800101|
| 800102|
| 800103|
| 800104|
| 800105|
| 800106|
| 800107|
| 800108|
| 800109|
| 800110|
| 800111|
+-------+

>>> df.printSchema()
root
 |-- date_id: integer (nullable = true)