วิธีการแปลงวัตถุ rdd เป็น dataframe ใน spark


139

ฉันจะแปลง RDD ( org.apache.spark.rdd.RDD[org.apache.spark.sql.Row]) เป็น Dataframe org.apache.spark.sql.DataFrameได้อย่างไร ผมแปลง dataframe เพื่อ RDD .rddใช้ หลังจากการประมวลผลฉันต้องการมันกลับมาใน dataframe ฉันจะทำสิ่งนี้ได้อย่างไร


วิธีในการบรรลุเป้าหมายนี้ในSpark 2.x
mrsrinivas

คำตอบ:


88

SqlContextมีจำนวนของcreateDataFrameวิธีการที่สร้างDataFrameรับ RDDฉันคิดว่าหนึ่งในสิ่งเหล่านี้จะได้ผลกับบริบทของคุณ

ตัวอย่างเช่น:

def createDataFrame(rowRDD: RDD[Row], schema: StructType): DataFrame

สร้าง DataFrame จาก RDD ที่มีแถวโดยใช้สคีมาที่กำหนด


93

รหัสนี้ทำงานได้อย่างสมบูรณ์แบบจาก Spark 2.x กับ Scala 2.11

นำเข้าคลาสที่จำเป็น

import org.apache.spark.sql.{Row, SparkSession}
import org.apache.spark.sql.types.{DoubleType, StringType, StructField, StructType}

สร้างSparkSessionวัตถุและนี่คือมันspark

val spark: SparkSession = SparkSession.builder.master("local").getOrCreate
val sc = spark.sparkContext // Just used to create test RDDs

เรามาRDDสร้างมันกันเถอะDataFrame

val rdd = sc.parallelize(
  Seq(
    ("first", Array(2.0, 1.0, 2.1, 5.4)),
    ("test", Array(1.5, 0.5, 0.9, 3.7)),
    ("choose", Array(8.0, 2.9, 9.1, 2.5))
  )
)

วิธีที่ 1

SparkSession.createDataFrame(RDD obj)การใช้

val dfWithoutSchema = spark.createDataFrame(rdd)

dfWithoutSchema.show()
+------+--------------------+
|    _1|                  _2|
+------+--------------------+
| first|[2.0, 1.0, 2.1, 5.4]|
|  test|[1.5, 0.5, 0.9, 3.7]|
|choose|[8.0, 2.9, 9.1, 2.5]|
+------+--------------------+

วิธีที่ 2

การใช้SparkSession.createDataFrame(RDD obj)และการระบุชื่อคอลัมน์

val dfWithSchema = spark.createDataFrame(rdd).toDF("id", "vals")

dfWithSchema.show()
+------+--------------------+
|    id|                vals|
+------+--------------------+
| first|[2.0, 1.0, 2.1, 5.4]|
|  test|[1.5, 0.5, 0.9, 3.7]|
|choose|[8.0, 2.9, 9.1, 2.5]|
+------+--------------------+

วิธีที่ 3 (คำตอบที่แท้จริงสำหรับคำถาม)

วิธีนี้ต้องใช้การป้อนข้อมูลที่ควรจะเป็นประเภทrddRDD[Row]

val rowsRdd: RDD[Row] = sc.parallelize(
  Seq(
    Row("first", 2.0, 7.0),
    Row("second", 3.5, 2.5),
    Row("third", 7.0, 5.9)
  )
)

สร้างสคีมา

val schema = new StructType()
  .add(StructField("id", StringType, true))
  .add(StructField("val1", DoubleType, true))
  .add(StructField("val2", DoubleType, true))

ตอนนี้ใช้ทั้งสองrowsRddและschemaการcreateDataFrame()

val df = spark.createDataFrame(rowsRdd, schema)

df.show()
+------+----+----+
|    id|val1|val2|
+------+----+----+
| first| 2.0| 7.0|
|second| 3.5| 2.5|
| third| 7.0| 5.9|
+------+----+----+

2
ขอบคุณที่แสดงวิธีต่างๆในการใช้ createDataFrame ด้วยวิธีที่เข้าใจได้
vatsug

วิธีที่สามมีประโยชน์กับอิฐข้อมูลเนื่องจากผู้อื่นไม่ทำงานและให้ข้อผิดพลาด
Narendra Maru

67

สมมติว่า RDD ของคุณ [แถว] เรียกว่า rdd คุณสามารถใช้:

val sqlContext = new SQLContext(sc) 
import sqlContext.implicits._
rdd.toDF()

26
ฉันคิดว่ามันใช้ไม่ได้กับ RDD [Row] ฉันไม่มีอะไรเลยหรือ
Daniel de Paula

4
เนื่องจาก Spark 2.0 SQLContext จะถูกแทนที่ด้วย SparkSession แต่คลาสจะถูกเก็บไว้ในฐานรหัสสำหรับความเข้ากันได้แบบย้อนหลัง(scaladoc) ใช้มันพ่นคำเตือนการคัดค้าน
tomaskazemekas

18

หมายเหตุ: คำตอบนี้ถูกโพสต์ที่นี่เดิม

ฉันโพสต์คำตอบนี้เพราะฉันต้องการแบ่งปันรายละเอียดเพิ่มเติมเกี่ยวกับตัวเลือกที่มีอยู่ซึ่งฉันไม่พบในคำตอบอื่น ๆ


ในการสร้าง DataFrame จาก RDD of Rows มีสองตัวเลือกหลัก:

1)เป็นแหลมออกแล้วคุณสามารถใช้ซึ่งสามารถนำเข้าโดยtoDF() import sqlContext.implicits._อย่างไรก็ตามวิธีนี้ใช้ได้กับ RDD ประเภทต่อไปนี้เท่านั้น:

  • RDD[Int]
  • RDD[Long]
  • RDD[String]
  • RDD[T <: scala.Product]

(ที่มา: ScaladocของSQLContext.implicitsวัตถุ)

ลายเซ็นสุดท้ายจริง ๆ แล้วหมายความว่ามันสามารถทำงานกับ RDD ของ tuples หรือ RDD ของคลาสเคส (เนื่องจาก tuples และคลาสเคสเป็นคลาสย่อยของscala.Product)

ดังนั้นเพื่อที่จะใช้วิธีการนี้สำหรับคุณต้องแผนที่ไปยังRDD[Row] RDD[T <: scala.Product]สิ่งนี้สามารถทำได้โดยการแม็พแต่ละแถวกับคลาสเคสที่กำหนดเองหรือกับ tuple ดังในตัวอย่างโค้ดต่อไปนี้:

val df = rdd.map({ 
  case Row(val1: String, ..., valN: Long) => (val1, ..., valN)
}).toDF("col1_name", ..., "colN_name")

หรือ

case class MyClass(val1: String, ..., valN: Long = 0L)
val df = rdd.map({ 
  case Row(val1: String, ..., valN: Long) => MyClass(val1, ..., valN)
}).toDF("col1_name", ..., "colN_name")

ข้อเสียเปรียบหลักของวิธีการนี้ (ในความคิดของฉัน) คือคุณต้องกำหนดสคีมาของ DataFrame ผลลัพธ์ในฟังก์ชันแผนที่โดยเรียงตามคอลัมน์ บางทีนี่อาจทำได้โดยทางโปรแกรมหากคุณไม่ทราบสคีล่วงหน้า แต่สิ่งต่าง ๆ อาจยุ่งเหยิงไปเล็กน้อย ดังนั้นอีกทางเลือกหนึ่งคือ:


2)คุณสามารถใช้createDataFrame(rowRDD: RDD[Row], schema: StructType)ในคำตอบที่ยอมรับได้ซึ่งมีอยู่ในวัตถุSQLContext ตัวอย่างสำหรับการแปลง RDD ของ DataFrame เก่า:

val rdd = oldDF.rdd
val newDF = oldDF.sqlContext.createDataFrame(rdd, oldDF.schema)

โปรดทราบว่าไม่จำเป็นต้องตั้งค่าคอลัมน์สคีมาใด ๆ อย่างชัดเจน เราใช้สคีมาของ DF เก่าอีกครั้งซึ่งเป็นStructTypeคลาสและสามารถขยายได้อย่างง่ายดาย อย่างไรก็ตามวิธีนี้บางครั้งก็เป็นไปไม่ได้และในบางกรณีอาจมีประสิทธิภาพน้อยกว่าวิธีแรก


ขอบคุณสำหรับรายละเอียดimport sqlContext.implicits.
javadba

ในอนาคตโปรดอย่าโพสต์คำตอบที่เหมือนกันสำหรับคำถามหลาย ๆ ข้อ หากคำถามนั้นซ้ำซ้อนให้โพสต์คำตอบที่ดีไว้แล้วลงคะแนนหรือตั้งค่าสถานะเพื่อปิดคำถามอื่น ๆ ว่าเป็นคำถามที่ซ้ำกัน หากคำถามไม่ซ้ำให้ปรับคำตอบของคำถาม ดูฉันจะเขียนคำตอบที่ดีได้อย่างไร .

15

สมมติว่าคุณมีและคุณต้องการที่จะทำบางอย่างเกี่ยวกับการปรับเปลี่ยนเขตข้อมูลโดยการแปลงไปDataFrameRDD[Row]

val aRdd = aDF.map(x=>Row(x.getAs[Long]("id"),x.getAs[List[String]]("role").head))

การแปลงกลับไปDataFrameจากRDDที่เราจำเป็นต้องกำหนดประเภทโครงสร้างRDDของ

ถ้าประเภทข้อมูลLong นั้นมันจะกลายเป็นLongTypeในโครงสร้าง

หากStringแล้วStringTypeในโครงสร้าง

val aStruct = new StructType(Array(StructField("id",LongType,nullable = true),StructField("role",StringType,nullable = true)))

ตอนนี้คุณสามารถแปลง RDD เป็น DataFrame โดยใช้เมธอดcreateDataFrame

val aNamedDF = sqlContext.createDataFrame(aRdd,aStruct)

7

นี่คือตัวอย่างง่ายๆของการแปลงรายการของคุณเป็น Spark RDD แล้วแปลง Spark RDD นั้นเป็น Dataframe

โปรดทราบว่าฉันได้ใช้ REPL ของ scala-shell เพื่อรันโค้ดต่อไปนี้ Here sc เป็นตัวอย่างของ SparkContext ซึ่งมีอยู่โดยนัยใน Spark-shell หวังว่ามันจะตอบคำถามของคุณ

scala> val numList = List(1,2,3,4,5)
numList: List[Int] = List(1, 2, 3, 4, 5)

scala> val numRDD = sc.parallelize(numList)
numRDD: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[80] at parallelize at <console>:28

scala> val numDF = numRDD.toDF
numDF: org.apache.spark.sql.DataFrame = [_1: int]

scala> numDF.show
+---+
| _1|
+---+
|  1|
|  2|
|  3|
|  4|
|  5|
+---+

ความจริงแล้วสนุก: สิ่งนี้จะหยุดทำงานเมื่อรายการของคุณเป็น Double แทนที่จะเป็น int (หรือ Long, String, <: Product)
Rick Moritz

ไม่ตอบ OP: ซึ่งพูดถึง RDD [Row]
javadba

6

วิธีที่ 1: (สกาล่า)

val sqlContext = new org.apache.spark.sql.SQLContext(sc)
import sqlContext.implicits._
val df_2 = sc.parallelize(Seq((1L, 3.0, "a"), (2L, -1.0, "b"), (3L, 0.0, "c"))).toDF("x", "y", "z")

วิธีที่ 2: (สกาล่า)

case class temp(val1: String,val3 : Double) 

val rdd = sc.parallelize(Seq(
  Row("foo",  0.5), Row("bar",  0.0)
))
val rows = rdd.map({case Row(val1:String,val3:Double) => temp(val1,val3)}).toDF()
rows.show()

วิธีที่ 1: (Python)

from pyspark.sql import Row
l = [('Alice',2)]
Person = Row('name','age')
rdd = sc.parallelize(l)
person = rdd.map(lambda r:Person(*r))
df2 = sqlContext.createDataFrame(person)
df2.show()

วิธีที่ 2: (Python)

from pyspark.sql.types import * 
l = [('Alice',2)]
rdd = sc.parallelize(l)
schema =  StructType([StructField ("name" , StringType(), True) , 
StructField("age" , IntegerType(), True)]) 
df3 = sqlContext.createDataFrame(rdd, schema) 
df3.show()

แยกค่าจากอ็อบเจ็กต์แถวจากนั้นใช้คลาสเคสเพื่อแปลง rdd เป็น DF

val temp1 = attrib1.map{case Row ( key: Int ) => s"$key" }
val temp2 = attrib2.map{case Row ( key: Int) => s"$key" }

case class RLT (id: String, attrib_1 : String, attrib_2 : String)
import hiveContext.implicits._

val df = result.map{ s => RLT(s(0),s(1),s(2)) }.toDF

4

บน spark รุ่นที่ใหม่กว่า (2.0+)

import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.functions._
import org.apache.spark.sql._
import org.apache.spark.sql.types._

val spark = SparkSession
  .builder()
  .getOrCreate()
import spark.implicits._

val dfSchema = Seq("col1", "col2", "col3")
rdd.toDF(dfSchema: _*)

1
sparkSession เป็นเพียงเสื้อคลุมสำหรับ sqlContext, hiveContext
Archit

1
One needs to create a schema, and attach it to the Rdd.

สมมติว่า val spark เป็นผลิตภัณฑ์ของ SparkSession.builder ...

    import org.apache.spark._
    import org.apache.spark.sql._       
    import org.apache.spark.sql.types._

    /* Lets gin up some sample data:
     * As RDD's and dataframes can have columns of differing types, lets make our
     * sample data a three wide, two tall, rectangle of mixed types.
     * A column of Strings, a column of Longs, and a column of Doubules 
     */
    val arrayOfArrayOfAnys = Array.ofDim[Any](2,3)
    arrayOfArrayOfAnys(0)(0)="aString"
    arrayOfArrayOfAnys(0)(1)=0L
    arrayOfArrayOfAnys(0)(2)=3.14159
    arrayOfArrayOfAnys(1)(0)="bString"
    arrayOfArrayOfAnys(1)(1)=9876543210L
    arrayOfArrayOfAnys(1)(2)=2.71828

    /* The way to convert an anything which looks rectangular, 
     * (Array[Array[String]] or Array[Array[Any]] or Array[Row], ... ) into an RDD is to 
     * throw it into sparkContext.parallelize.
     * http://spark.apache.org/docs/latest/api/scala/index.html#org.apache.spark.SparkContext shows
     * the parallelize definition as 
     *     def parallelize[T](seq: Seq[T], numSlices: Int = defaultParallelism)
     * so in our case our ArrayOfArrayOfAnys is treated as a sequence of ArraysOfAnys.
     * Will leave the numSlices as the defaultParallelism, as I have no particular cause to change it. 
     */
    val rddOfArrayOfArrayOfAnys=spark.sparkContext.parallelize(arrayOfArrayOfAnys)

    /* We'll be using the sqlContext.createDataFrame to add a schema our RDD.
     * The RDD which goes into createDataFrame is an RDD[Row] which is not what we happen to have.
     * To convert anything one tall and several wide into a Row, one can use Row.fromSeq(thatThing.toSeq)
     * As we have an RDD[somethingWeDontWant], we can map each of the RDD rows into the desired Row type. 
     */     
    val rddOfRows=rddOfArrayOfArrayOfAnys.map(f=>
        Row.fromSeq(f.toSeq)
    )

    /* Now to construct our schema. This needs to be a StructType of 1 StructField per column in our dataframe.
     * https://spark.apache.org/docs/latest/api/scala/index.html#org.apache.spark.sql.types.StructField shows the definition as
     *   case class StructField(name: String, dataType: DataType, nullable: Boolean = true, metadata: Metadata = Metadata.empty)
     * Will leave the two default values in place for each of the columns:
     *        nullability as true, 
     *        metadata as an empty Map[String,Any]
     *   
     */

    val schema = StructType(
        StructField("colOfStrings", StringType) ::
        StructField("colOfLongs"  , LongType  ) ::
        StructField("colOfDoubles", DoubleType) ::
        Nil
    )

    val df=spark.sqlContext.createDataFrame(rddOfRows,schema)
    /*
     *      +------------+----------+------------+
     *      |colOfStrings|colOfLongs|colOfDoubles|
     *      +------------+----------+------------+
     *      |     aString|         0|     3.14159|
     *      |     bString|9876543210|     2.71828|
     *      +------------+----------+------------+
    */ 
    df.show 

ขั้นตอนเดียวกัน แต่มีการประกาศ val น้อยลง:

    val arrayOfArrayOfAnys=Array(
        Array("aString",0L         ,3.14159),
        Array("bString",9876543210L,2.71828)
    )

    val rddOfRows=spark.sparkContext.parallelize(arrayOfArrayOfAnys).map(f=>Row.fromSeq(f.toSeq))

    /* If one knows the datatypes, for instance from JDBC queries as to RDBC column metadata:
     * Consider constructing the schema from an Array[StructField].  This would allow looping over 
     * the columns, with a match statement applying the appropriate sql datatypes as the second
     *  StructField arguments.   
     */
    val sf=new Array[StructField](3)
    sf(0)=StructField("colOfStrings",StringType)
    sf(1)=StructField("colOfLongs"  ,LongType  )
    sf(2)=StructField("colOfDoubles",DoubleType)        
    val df=spark.sqlContext.createDataFrame(rddOfRows,StructType(sf.toList))
    df.show

1

ฉันพยายามที่จะอธิบายถึงวิธีการแก้ปัญหาโดยใช้ปัญหาการนับจำนวนคำ 1. อ่านไฟล์โดยใช้ sc

  1. ผลิตจำนวนคำ
  2. วิธีการสร้าง DF

    • วิธีการ rdd.toDF
    • rdd.toDF ( "คำว่า" "นับ")
      • spark.createDataFrame (RDD คี)

    อ่านไฟล์โดยใช้ spark

    val rdd=sc.textFile("D://cca175/data/")  

    Rdd ไปยัง Dataframe

    val df = sc.textFile ("D: // cca175 / data /") .toDF ("t1") df.show

    วิธีที่ 1

    สร้างการนับจำนวนคำ RDD ไปยัง Dataframe

    val df=rdd.flatMap(x=>x.split(" ")).map(x=>(x,1)).reduceByKey((x,y)=>(x+y)).toDF("word","count")

    Method2

    สร้าง Dataframe จาก Rdd

    val df=spark.createDataFrame(wordRdd) 
    # with header   
    val df=spark.createDataFrame(wordRdd).toDF("word","count")  df.show

    method3

    กำหนด Schema

    นำเข้า org.apache.spark.sql.types._

    val schema = โครงสร้างใหม่ () เพิ่ม (StructField ( "คำว่า" StringType จริง)) เพิ่ม (StructField ( "นับ" StringType จริง))

    สร้าง RowRDD

    import org.apache.spark.sql.Row
    val rowRdd=wordRdd.map(x=>(Row(x._1,x._2)))     

    สร้าง DataFrame จาก RDD ด้วยสคีมา

    val df = spark.createDataFrame (rowRdd, schema)
    df.show


0

ในการแปลง Array [Row] เป็น DataFrame หรือชุดข้อมูลต่อไปนี้จะทำงานได้อย่างสวยงาม:

สมมติว่า schema เป็น StructType สำหรับแถวนั้น

val rows: Array[Row]=...
implicit val encoder = RowEncoder.apply(schema)
import spark.implicits._
rows.toDS
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.