来自 pandas 系列的 Spark DataFrame

Posted

技术标签:

【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)

【讨论】:

以上是关于来自 pandas 系列的 Spark DataFrame的主要内容,如果未能解决你的问题,请参考以下文章

Spark中来自pyspark的熊猫[重复]

如何将 Spark 数据帧转换为 Pandas 并返回 Kedro?

Pandas Group/Merge Dataframe by Non-Periodic Series

pandas索引操作

认识pandas

Pandas的concat方法