我如何在Pyspark中定义一个空的数据帧并附加相应的数据帧?
所以我想从一个目录中读取csv文件,作为pyspark数据帧,然后将它们附加到单个数据帧中。 在Pypark中没有替代品,就像我们在熊猫身上做的那样 例如,在熊猫中,我们做:我如何在Pyspark中定义一个空的数据帧并附加相应的数据帧?,pyspark,pyspark-sql,Pyspark,Pyspark Sql,所以我想从一个目录中读取csv文件,作为pyspark数据帧,然后将它们附加到单个数据帧中。 在Pypark中没有替代品,就像我们在熊猫身上做的那样 例如,在熊猫中,我们做: files=glob.glob(path +'*.csv') df=pd.DataFrame() for f in files: dff=pd.read_csv(f,delimiter=',') df.append(dff) 在Pyspark中,我尝试过这一点,但没有成功 schema=Struct
files=glob.glob(path +'*.csv')
df=pd.DataFrame()
for f in files:
dff=pd.read_csv(f,delimiter=',')
df.append(dff)
在Pyspark中,我尝试过这一点,但没有成功
schema=StructType([])
union_df = sqlContext.createDataFrame(sc.emptyRDD(),schema)
for f in files:
dff = sqlContext.read.load(f,format='com.databricks.spark.csv',header='true',inferSchema='true',delimiter=',')
df=df.union_All(dff)
非常感谢您的帮助
谢谢在2个数据帧上使用“unionAll”时,模式应该相同。因此,空数据帧的模式应与csv模式一致 例如:
schema = StructType([
StructField("v1", LongType(), True), StructField("v2", StringType(), False), StructField("v3", StringType(), False)
])
df = sqlContext.createDataFrame([],schema)
或者你可以这样做:
f = files.pop(0)
df = sqlContext.read.load(f,format='com.databricks.spark.csv',header='true',inferSchema='true',delimiter=',')
for f in files:
dff = sqlContext.read.load(f,format='com.databricks.spark.csv',header='true',inferSchema='true',delimiter=',')
df=df.union_All(dff)
在spark 2.1中,实现此目的的一种方法如下所示:
files=glob.glob(path +'*.csv')
for idx,f in enumerate(files):
if idx == 0:
df = spark.read.csv(f,header=True,inferSchema=True)
dff = df
else:
df = spark.read.csv(f,header=True,inferSchema=True)
dff=dff.unionAll(df)
首先定义模式,然后可以使用unionAll将新数据帧连接到空数据帧,甚至可以运行迭代将一组数据帧组合在一起
from pyspark.sql.types import StructType
from pyspark.sql.types import StructField
from pyspark.sql.types import StringType
sc = SparkContext(conf=SparkConf())
spark = SparkSession(sc) # Need to use SparkSession(sc) to createDataFrame
schema = StructType([
StructField("column1",StringType(),True),
StructField("column2",StringType(),True)
])
empty = spark.createDataFrame(sc.emptyRDD(), schema)
empty = empty.unionAll(addOndata)
我是这样做的。我不会创建一个空的数据帧
def concat_spark_iterator(iterator):
"""
:param iterator: iterator(Spark DataFrame)
:return: Concatenated Spark DataFrames
"""
df = next(iterator)
for _df in iterator:
df = df.union(_df)
return df
list_of_dfs = []
for i in number_of_dfs:
list_of_dfs.append(df_i)
combined_df = reduce(DataFrame.union, list_of_dfs)
首先为空数据框定义适当的模式,然后在其中附加其他数据。 比如说-
schema = StructType([
StructField("phrase",StringType(),True),
StructField("count_tf",ArrayType(StructType([
StructField("count", IntegerType(), True),
StructField("tf", DoubleType(), True)
])),True)])
empty = spark.createDataFrame(sc.emptyRDD(), schema)
empty.printSchema()
root
|-- phrase: string (nullable = true)
|-- count_tf: array (nullable = true)
| |-- element: struct (containsNull = true)
| | |-- count: integer (nullable = true)
| | |-- tf: double (nullable = true)
然后检查需要以空格式追加的数据帧的模式。两个模式应该相同。现在,您可以轻松地将数据帧附加到空数据帧中
for f in files:
dff = sqlContext.read.load(f)
empty=empty.union(dff)
您可以在这里获得一个空的数据帧。 创建一个空列表并继续向其中添加子数据帧。添加完所有要合并的数据帧后,对列表执行reduce using union,它将所有数据帧合并到一个数据帧中
def concat_spark_iterator(iterator):
"""
:param iterator: iterator(Spark DataFrame)
:return: Concatenated Spark DataFrames
"""
df = next(iterator)
for _df in iterator:
df = df.union(_df)
return df
list_of_dfs = []
for i in number_of_dfs:
list_of_dfs.append(df_i)
combined_df = reduce(DataFrame.union, list_of_dfs)
代码的最后一行应该是:df=df.unionAll(dff)
empty=spark.createDataFrame(sc.emptyRDD(),schema)
就是我要找的。谢谢这将返回name错误:未定义名称“reduce”
您必须导入“reduce”: