Pyspark 如何制作好可复制的Apache Spark示例
我花了相当多的时间阅读了一些带有和标签的问题,我经常发现海报并没有提供足够的信息来真正理解他们的问题。我通常会要求他们发表评论,但有时让他们展示一些示例输入/输出数据就像拔牙一样 也许部分问题在于人们不知道如何轻松地为spark数据帧创建MCVE。我认为有一个spark dataframe版本作为可以链接的指南会很有用 那么,如何创建一个好的、可重复的示例呢?\p>####提供可以轻松重新创建的小样本数据。 至少,海报应该在其数据框架和代码上提供一些行和列,以便轻松创建。简单,我指的是剪切和粘贴。尽可能小地展示你的问题Pyspark 如何制作好可复制的Apache Spark示例,pyspark,spark-dataframe,dataframe,apache-spark,apache-spark-sql,Pyspark,Spark Dataframe,Dataframe,Apache Spark,Apache Spark Sql,我花了相当多的时间阅读了一些带有和标签的问题,我经常发现海报并没有提供足够的信息来真正理解他们的问题。我通常会要求他们发表评论,但有时让他们展示一些示例输入/输出数据就像拔牙一样 也许部分问题在于人们不知道如何轻松地为spark数据帧创建MCVE。我认为有一个spark dataframe版本作为可以链接的指南会很有用 那么,如何创建一个好的、可重复的示例呢?\p>####提供可以轻松重新创建的小样本数据。 至少,海报应该在其数据框架和代码上提供一些行和列,以便轻松创建。简单,我指的是剪切和粘贴
我有以下数据帧:
+-----+---+-----+----------+
|索引| X |标签|日期|
+-----+---+-----+----------+
|1 | 1 | A | 2017-01-01|
|2 | 3 | B | 2017-01-02|
|3 | 5 | A | 2017-01-03|
|4 | 7 | B | 2017-01-04|
+-----+---+-----+----------+
可使用此代码创建的:
df=sqlCtx.createDataFrame(
[
(1,1,'A','2017-01-01'),
(2,3,'B','2017-01-02'),
(3,5,'A','2017-01-03'),
(4,7,'B','2017-01-04')
],
(‘索引’、‘X’、‘标签’、‘日期’)
)
###显示所需的输出。 询问您的具体问题,并向我们展示您想要的输出
如果
'date'
的月日加上7天可被'X'
列中的值整除,否则'no'
如何创建一个值为'yes'
的新列
期望输出:
+-----+---+-----+----------+------------+
|索引| X |标签|日期|可除|
+-----+---+-----+----------+------------+
|1 | 1 | A | 2017-01-01 |是|
|2 | 3 | B | 2017-01-02 |是|
|3 | 5 | A | 2017-01-03 |是|
|4 | 7 | B | 2017-01-04 |编号|
+-----+---+-----+----------+------------+
###解释如何获得输出。
详细解释你是如何得到你想要的结果的。这有助于显示一个计算示例
例如,在第1行中,X=1,日期=2017-01-01。截至2017年1月8日,新增7天收益率。一个月的日期是8,因为8可以被1整除,所以答案是“是”
同样,最后一行X=7,日期=2017-01-04。将7添加到日期中,得到11作为当月的日期。因为11%7不是0,所以答案是“否”
###共享您现有的代码。
向我们展示您所做或尝试的内容,包括代码的所有部分,即使它不起作用。告诉我们您在哪里被卡住,如果您收到错误,请包括错误消息
(*您可以省略创建spark上下文的代码,但应包括所有导入。)
我知道如何添加一个新列,即date
加上7天,但我很难将月份的日期作为整数
从pyspark.sql导入函数为f
df.带列(“下一周”,f.date\U add(“日期”,7))
###包括版本、导入和使用语法高亮显示
- 全部细节由作者书面提供
###对于性能调整帖子,包括执行计划
- 全部细节由作者书面提供
- 它有助于为上下文使用标准化名称
###解析spark输出文件
- 中提供了帮助将Spark输出文件解析为数据帧的有用代码
###其他注释
- 一定要先阅读和阅读
- 阅读这个问题的其他答案,这些答案链接在上面
- 有一个好的,描述性的标题
- 要有礼貌。SO上的人都是志愿者,所以好好问问
对已经提供的内容提出一些补充建议:
包括你的Spark版本
Spark仍在发展中,尽管没有1.x时代那么快。包含您的工作版本始终是一个好主意(尤其是当您使用的是较旧的版本时)。就我个人而言,我总是从以下几点开始回答:
spark.version
#u'2.2.0'
或
sc.version
#u'2.2.0'
包括Python版本也不是一个坏主意
包括你所有的进口商品
如果您的问题不完全是关于Spark SQL和dataframes的,例如,如果您打算在某些机器学习操作中使用您的dataframe,请明确说明您的导入-请参阅,导入仅在(现在已删除)注释中广泛交换后才添加到OP中(事实证明,这些错误的进口是问题的根本原因)
为什么这是必要的?因为,例如,这个LDA
从pyspark.mllib.clustering导入LDA
与此LDA不同:
从pyspark.ml.xml导入LDA
第一个来自旧的、基于RDD的API(以前称为Spark MLlib),而第二个来自新的、基于数据帧的API(Spark ML)
包括代码突出显示
好吧,我承认这是主观的:我认为PySpark问题在默认情况下不应该标记为python
;问题是,python
标记会自动突出显示代码(我相信这是那些使用PySpark问题的人的主要原因)。无论如何,如果您碰巧同意,并且您仍然想要一个漂亮、突出显示的代码,只需包含相关的降价指令:
在您的文章中的某个地方,在您的第一个代码片段之前
[更新:为pyspark
和sparkr
标记自动突出显示语法,这已经实现了]性能调整
如果
val lines: RDD[String] = sc.textFile("path")
val words: RDD[String] = lines.flatMap(_.split(" "))
val lines = sc.textFile("path")
val words = lines.flatMap(_.split(" "))
scala> val rdd = sc.textFile("README.md")
rdd: org.apache.spark.rdd.RDD[String] = README.md MapPartitionsRDD[1] at textFile at <console>:24
scala> :t rdd
org.apache.spark.rdd.RDD[String]
from pyspark.sql.functions import *
def read_spark_output(file_path):
step1 = spark.read \
.option("header","true") \
.option("inferSchema","true") \
.option("delimiter","|") \
.option("parserLib","UNIVOCITY") \
.option("ignoreLeadingWhiteSpace","true") \
.option("ignoreTrailingWhiteSpace","true") \
.option("comment","+") \
.csv("file://{}".format(file_path))
# select not-null columns
step2 = t.select([c for c in t.columns if not c.startswith("_")])
# deal with 'null' string in column
return step2.select(*[when(~col(col_name).eqNullSafe("null"), col(col_name)).alias(col_name) for col_name in step2.columns])
// read Spark Output Fixed width table:
def readSparkOutput(filePath: String): org.apache.spark.sql.DataFrame = {
val step1 = spark.read
.option("header", "true")
.option("inferSchema", "true")
.option("delimiter", "|")
.option("parserLib", "UNIVOCITY")
.option("ignoreLeadingWhiteSpace", "true")
.option("ignoreTrailingWhiteSpace", "true")
.option("comment", "+")
.csv(filePath)
val step2 = step1.select(step1.columns.filterNot(_.startsWith("_c")).map(step1(_)): _*)
val columns = step2.columns
columns.foldLeft(step2)((acc, c) => acc.withColumn(c, when(col(c) =!= "null", col(c))))
}
df = read_spark_output("file:///tmp/spark.out")