我有一个非常大的数据集,在Hive中加载(约190万行和1450列)。我需要确定每个列的“覆盖范围”,即每个列具有非NaN值的行的比例。
以下是我的代码:
from pyspark import SparkContext
from pyspark.sql import HiveContext
import string as string
sc = SparkContext(appName="compute_coverages") ## Create the context
sqlContext = HiveContext(sc)
df = sqlContext.sql("select * from data_table")
nrows_tot = df.count()
covgs = sc.parallelize(df.columns)
.map(lambda x: str(x))
.map(lambda x: (x, float(df.select(x).dropna().count()) / float(nrows_tot) * 100.))
在 PySpark shell 中尝试此操作,如果我执行 covgs.take(10)
,则会返回一个相当大的错误堆栈。它说在文件 /usr/lib64/python2.6/pickle.py
中的保存过程中存在问题。这是错误的最后一部分:
py4j.protocol.Py4JError: An error occurred while calling o37.__getnewargs__. Trace:
py4j.Py4JException: Method __getnewargs__([]) does not exist
at py4j.reflection.ReflectionEngine.getMethod(ReflectionEngine.java:333)
at py4j.reflection.ReflectionEngine.getMethod(ReflectionEngine.java:342)
at py4j.Gateway.invoke(Gateway.java:252)
at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:133)
at py4j.commands.CallCommand.execute(CallCommand.java:79)
at py4j.GatewayConnection.run(GatewayConnection.java:207)
at java.lang.Thread.run(Thread.java:745)
有更好的方法来完成这个任务吗?我不能使用 pandas,因为它目前在我工作的集群上不可用,而且我也没有安装它的访问权限。
select
的上下文定义了如何解析列。 - zero323nan
计数大于阈值,如何选择列? - rosefun