在大PySpark数据帧的每一行中应用函数？

我有一个大数据帧（约3000万行）。我有一个函数

f

。

f

的任务是遍历每一行，检查一些逻辑并将输出输入字典。该功能需要逐行执行

我试过：

dic=dict（）
对于df.rdd.collect（）中的行：
f（世界其他地区，dic）

但我总是遇到错误。我将Docker的内存设置为8GB

我如何才能有效地开展业务

---

非常感谢

通过使用

收集

可以将火花执行器中的所有数据提取到驱动程序中。您确实应该避免这种情况，因为它会使使用Spark变得毫无意义（在这种情况下，您可以使用普通python）

你能做什么：

• 使用现有功能重新实现您的逻辑：

• 如果由于缺少功能而无法执行第一步，则可以定义

---

您能试试下面的方法，并告诉我们它是否适合您吗

from pyspark.sql.functions import udf, struct
from pyspark.sql.types import StringType, MapType

#sample data
df = sc.parallelize([
    ['a', 'b'],
    ['c', 'd'],
    ['e', 'f']
]).toDF(('col1', 'col2'))

#add logic to create dictionary element using rows of the dataframe    
def add_to_dict(l):
    d = {}
    d[l[0]] = l[1]
    return d
add_to_dict_udf = udf(add_to_dict, MapType(StringType(), StringType()))
#struct is used to pass rows of dataframe
df = df.withColumn("dictionary_item", add_to_dict_udf(struct([df[x] for x in df.columns])))
df.show()

#list of dictionary elements
dictionary_list = [i[0] for i in df.select('dictionary_item').collect()]
print dictionary_list

输出为：

[{u'a': u'b'}, {u'c': u'd'}, {u'e': u'f'}]

希望这有帮助