问题:将Spark DataFrame列转换为python列表
我在具有两列mvv和count的数据帧上工作。
+---+-----+
|mvv|count|
+---+-----+
| 1 | 5 |
| 2 | 9 |
| 3 | 3 |
| 4 | 1 |
我想获得两个包含mvv值和计数值的列表。就像是
mvv = [1,2,3,4]
count = [5,9,3,1]
因此,我尝试了以下代码:第一行应返回python行列表。我想看第一个值:
mvv_list = mvv_count_df.select('mvv').collect()
firstvalue = mvv_list[0].getInt(0)
但是我在第二行收到一条错误消息:
AttributeError:getInt
回答 0
明白了,为什么这种方式无法正常工作。首先,您尝试从行类型获取整数,collect的输出如下所示:
>>> mvv_list = mvv_count_df.select('mvv').collect()
>>> mvv_list[0]
Out: Row(mvv=1)
如果您采取这样的做法:
>>> firstvalue = mvv_list[0].mvv
Out: 1
您将获得mvv
价值。如果您需要数组的所有信息,则可以采取以下方法:
>>> mvv_array = [int(row.mvv) for row in mvv_list.collect()]
>>> mvv_array
Out: [1,2,3,4]
但是,如果对另一列尝试相同的操作,则会得到:
>>> mvv_count = [int(row.count) for row in mvv_list.collect()]
Out: TypeError: int() argument must be a string or a number, not 'builtin_function_or_method'
发生这种情况是因为它count
是一种内置方法。并且该列的名称与相同count
。一种解决方法是将列名称更改count
为_count
:
>>> mvv_list = mvv_list.selectExpr("mvv as mvv", "count as _count")
>>> mvv_count = [int(row._count) for row in mvv_list.collect()]
但是不需要此解决方法,因为您可以使用字典语法访问列:
>>> mvv_array = [int(row['mvv']) for row in mvv_list.collect()]
>>> mvv_count = [int(row['count']) for row in mvv_list.collect()]
它将最终成功!
回答 1
紧随其后的是一支衬垫,列出了您想要的清单。
mvv = mvv_count_df.select("mvv").rdd.flatMap(lambda x: x).collect()
回答 2
这将为您提供所有元素作为列表。
mvv_list = list(
mvv_count_df.select('mvv').toPandas()['mvv']
)
回答 3
以下代码将为您提供帮助
mvv_count_df.select('mvv').rdd.map(lambda row : row[0]).collect()
回答 4
根据我的数据,我得到了这些基准:
>>> data.select(col).rdd.flatMap(lambda x: x).collect()
0.52秒
>>> [row[col] for row in data.collect()]
0.271秒
>>> list(data.select(col).toPandas()[col])
0.427秒
结果是一样的
回答 5
如果出现以下错误:
AttributeError:“列表”对象没有属性“收集”
此代码将解决您的问题:
mvv_list = mvv_count_df.select('mvv').collect()
mvv_array = [int(i.mvv) for i in mvv_list]
回答 6
我进行了基准分析,这list(mvv_count_df.select('mvv').toPandas()['mvv'])
是最快的方法。我很惊讶
我使用5个节点的i3.xlarge集群(每个节点具有30.5 GB的RAM和4个内核)和Spark 2.4.5对10万/亿个行数据集运行了不同的方法。数据以单列均匀分布在20个快速压缩的Parquet文件中。
这是基准测试结果(运行时间以秒为单位):
+-------------------------------------------------------------+---------+-------------+
| Code | 100,000 | 100,000,000 |
+-------------------------------------------------------------+---------+-------------+
| df.select("col_name").rdd.flatMap(lambda x: x).collect() | 0.4 | 55.3 |
| list(df.select('col_name').toPandas()['col_name']) | 0.4 | 17.5 |
| df.select('col_name').rdd.map(lambda row : row[0]).collect()| 0.9 | 69 |
| [row[0] for row in df.select('col_name').collect()] | 1.0 | OOM |
| [r[0] for r in mid_df.select('col_name').toLocalIterator()] | 1.2 | * |
+-------------------------------------------------------------+---------+-------------+
* cancelled after 800 seconds
在驱动程序节点上收集数据时要遵循的黄金法则:
- 尝试用其他方法解决问题。将数据收集到驱动程序节点非常昂贵,无法利用Spark集群的功能,因此应尽可能避免。
- 收集尽可能少的行。在收集数据之前,对列进行聚合,重复数据删除,过滤和修剪。尽可能少地将数据发送到驱动程序节点。
toPandas
在Spark 2.3中得到了显着改进。如果您使用的Spark版本早于2.3,则可能不是最佳方法。
有关更多详细信息/基准测试结果,请参见此处。
回答 7
可能的解决方案是使用中的collect_list()
功能pyspark.sql.functions
。这会将所有列值聚合到一个pyspark数组中,该数组在收集时将转换为python列表:
mvv_list = df.select(collect_list("mvv")).collect()[0][0]
count_list = df.select(collect_list("count")).collect()[0][0]