我该如何将一个RDD(org.apache.spark.rdd.RDD[org.apache.spark.sql.Row]
)转换为一个Dataframe(org.apache.spark.sql.DataFrame
)?我使用.rdd
将Dataframe转换为RDD,处理后我希望将其转换回Dataframe。我应该怎么做?
我该如何将一个RDD(org.apache.spark.rdd.RDD[org.apache.spark.sql.Row]
)转换为一个Dataframe(org.apache.spark.sql.DataFrame
)?我使用.rdd
将Dataframe转换为RDD,处理后我希望将其转换回Dataframe。我应该怎么做?
import org.apache.spark.sql.{Row, SparkSession}
import org.apache.spark.sql.types.{DoubleType, StringType, StructField, StructType}
SparkSession
对象,这里是spark
。val spark: SparkSession = SparkSession.builder.master("local").getOrCreate
val sc = spark.sparkContext // Just used to create test RDDs
让我们使用 RDD
将其转换为 DataFrame
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))
)
)
##方法1
使用SparkSession.createDataFrame(RDD对象)
。
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]|
+------+--------------------+
##方法2
使用SparkSession.createDataFrame(RDD对象)
并指定列名。
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]|
+------+--------------------+
##方法3(问题的实际答案)
这种方法需要输入rdd
应该是类型为RDD [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)
)
)
创建模式
val schema = new StructType()
.add(StructField("id", StringType, true))
.add(StructField("val1", DoubleType, true))
.add(StructField("val2", DoubleType, true))
rowsRdd
和 schema
应用到 createDataFrame()
函数中。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|
+------+----+----+
SparkSession
有多个createDataFrame
方法,可以基于一个RDD
创建一个DataFrame
。我想其中之一应该可以适用于您的上下文。
例如:
def createDataFrame(rowRDD: RDD[Row], schema: StructType): DataFrame
使用给定的模式,从包含行的RDD创建一个DataFrame。val sqlContext = new SQLContext(sc)
import sqlContext.implicits._
rdd.toDF()
注意:此答案最初发布在这里
我发布这个答案是因为我想分享其他答案中没有发现的可用选项的更多细节
从Rows的RDD创建DataFrame有两个主要选项:
1) 如已指出,您可以使用toDF()
,该函数可以通过import sqlContext.implicits._
导入。但是,此方法仅适用于以下类型的RDD:
RDD[Int]
RDD[Long]
RDD[String]
RDD[T <: scala.Product]
(来源:SQLContext.implicits对象的 Scaladoc)
最后一个签名实际上意味着它可以用于元组的RDD或案例类的RDD(因为元组和案例类都是scala.Product
的子类)。
因此,要将此方法用于RDD[Row]
,您必须将其映射到RDD[T <: scala.Product]
。这可以通过将每一行映射到自定义案例类或元组来完成,就像以下示例代码中所示:
val df = rdd.map({
case Row(val1: String, ..., valN: Long) => (val1, ..., valN)
}).toDF("col1_name", ..., "colN_name")
或者
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")
createDataFrame(rowRDD:RDD [Row],schema:StructType)
,如已接受的答案中所述,该选项可在SQLContext对象中使用。以下是将旧DataFrame的RDD转换为示例:val rdd = oldDF.rdd
val newDF = oldDF.sqlContext.createDataFrame(rdd, oldDF.schema)
StructType
类,并且可以轻松扩展。但是,这种方法有时不可行,在某些情况下可能比第一种方法效率低。import sqlContext.implicits.
。 - WestCoastProjects假设你有一个DataFrame
,想要对字段数据进行一些修改,通过将其转换为RDD[Row]
实现。
val aRdd = aDF.map(x=>Row(x.getAs[Long]("id"),x.getAs[List[String]]("role").head))
要将RDD
转换回DataFrame
,我们需要定义RDD
的结构类型。
如果数据类型为Long
,则在结构中它将变为LongType
。
如果是String
,则在结构中为StringType
。
val aStruct = new StructType(Array(StructField("id",LongType,nullable = true),StructField("role",StringType,nullable = true)))
现在您可以使用createDataFrame方法将RDD转换为DataFrame。
val aNamedDF = sqlContext.createDataFrame(aRdd,aStruct)
方法一:(Scala)
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")
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()
方法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()
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()
从行对象中提取值,然后应用案例类将rdd转换为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
这是将您的列表转换为Spark RDD,然后将该Spark RDD转换为Dataframe的简单示例。
请注意,我使用了Spark-shell的scala REPL来执行以下代码,其中sc是SparkContext的一个实例,它在Spark-shell中隐式可用。希望它能回答您的问题。
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|
+---+
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: _*)
Methods to create DF
val rdd=sc.textFile("D://cca175/data/")
val df=sc.textFile("D://cca175/data/").toDF("t1") df.show
val df=rdd.flatMap(x=>x.split(" ")).map(x=>(x,1)).reduceByKey((x,y)=>(x+y)).toDF("word","count")
val df=spark.createDataFrame(wordRdd)
# with header
val df=spark.createDataFrame(wordRdd).toDF("word","count") df.show
import org.apache.spark.sql.types._
val schema=new StructType(). add(StructField("word",StringType,true)). add(StructField("count",StringType,true))
import org.apache.spark.sql.Row
val rowRdd=wordRdd.map(x=>(Row(x._1,x._2)))
val df=spark.createDataFrame(rowRdd,schema)
df.show
import sc.implicits._
,其中sc
表示SQLContext
。添加此代码后,你将获得rdd.toDF()
方法。rdd[RawData]
转换为rdd[YourCaseClass]
。例如,你有一个rdd类型如下:rdd[(String, Integer, Long)]
,你可以创建一个Case Class YourCaseClass(name: String, age: Integer, timestamp: Long)
并将原始rdd转换为具有YourCaseClass
类型的rdd,然后你就会得到rdd[YourCaseClass]
rdd[YourCaseClass]
保存到Hive表中。使用Case Class来表示rdd类型,我们可以避免命名每个列字段或与StructType
相关的模式。yourRdd.toDF().write.format("parquet").mode(SaveMode.Overwrite).insertInto(yourHiveTableName)