如何在 Python 中合并 Spark SQL 数据帧
Posted
技术标签:
【中文标题】如何在 Python 中合并 Spark SQL 数据帧【英文标题】:How to union Spark SQL Dataframes in Python 【发布时间】:2017-08-07 16:21:33 【问题描述】:这里有几种创建数据框联合的方法,当我们谈论大数据框时,哪种方法(如果有的话)最好/推荐?我应该先创建一个空数据框还是继续与创建的第一个数据框联合?
空数据框创建
from pyspark.sql.types import StructType, StructField, IntegerType, StringType
schema = StructType([
StructField("A", StringType(), False),
StructField("B", StringType(), False),
StructField("C", StringType(), False)
])
pred_union_df = spark_context.parallelize([]).toDF(schema)
方法 1 - 随时联合:
for ind in indications:
fitted_model = get_fitted_model(pipeline, train_balanced_df, ind)
pred = get_predictions(fitted_model, pred_output_df, ind)
pred_union_df = pred_union_df.union(pred[['A', 'B', 'C']])
方法2 - 最后联合:
all_pred = []
for ind in indications:
fitted_model = get_fitted_model(pipeline, train_balanced_df, ind)
pred = get_predictions(fitted_model, pred_output_df, ind)
all_pred.append(pred)
pred_union_df = pred_union_df.union(all_pred)
还是我错了?
编辑: 方法 2 是不可能的,因为我认为它来自这个 answer。我必须遍历列表并合并每个数据框。
【问题讨论】:
【参考方案1】:方法 2 始终是首选,因为它避免了长沿袭问题。
虽然DataFrame.union
只接受一个DataFrame 作为参数,但RDD.union
却是take a list。鉴于您的示例代码,您可以在调用 toDF
之前尝试合并它们。
如果你的数据在磁盘上,你也可以尝试load them all at once来实现union,例如,
dataframe = spark.read.csv([path1, path2, path3])
【讨论】:
以上是关于如何在 Python 中合并 Spark SQL 数据帧的主要内容,如果未能解决你的问题,请参考以下文章