Преобразование столбца Spark DataFrame в список Python

Я работаю над фреймом данных с двумя столбцами, mvv и count.

+---+-----+
|mvv|count|
+---+-----+
| 1 |  5  |
| 2 |  9  |
| 3 |  3  |
| 4 |  1  |

Я хотел бы получить два списка, содержащие значения mvv и значение счета. Что-то типа

mvv = [1,2,3,4]
count = [5,9,3,1]

Итак, я попробовал следующий код: Первая строка должна возвращать список строк Python. Я хотел увидеть первое значение:

mvv_list = mvv_count_df.select('mvv').collect()
firstvalue = mvv_list[0].getInt(0)

Но я получаю сообщение об ошибке со второй строкой:

AttributeError: getInt

Понимаете, почему то, что вы делаете, не работает. Во-первых, вы пытаетесь получить целое число из типа строки , результат вашей коллекции будет таким:

>>> mvv_list = mvv_count_df.select('mvv').collect()
>>> mvv_list[0]
Out: Row(mvv=1)

Если взять что-то вроде этого:

>>> firstvalue = mvv_list[0].mvv
Out: 1

Вы получите mvvценность. Если вам нужна вся информация о массиве, вы можете взять что-то вроде этого:

>>> mvv_array = [int(row.mvv) for row in mvv_list.collect()]
>>> mvv_array
Out: [1,2,3,4]

Но если вы попробуете то же самое для другого столбца, вы получите:

>>> mvv_count = [int(row.count) for row in mvv_list.collect()]
Out: TypeError: int() argument must be a string or a number, not 'builtin_function_or_method'

Это происходит потому, что countэто встроенный метод. И столбец имеет то же имя, что и count. Чтобы решить эту проблему, измените имя столбца countна _count:

>>> mvv_list = mvv_list.selectExpr("mvv as mvv", "count as _count")
>>> mvv_count = [int(row._count) for row in mvv_list.collect()]

Но это обходное решение не требуется, поскольку вы можете получить доступ к столбцу, используя синтаксис словаря:

>>> mvv_array = [int(row['mvv']) for row in mvv_list.collect()]
>>> mvv_count = [int(row['count']) for row in mvv_list.collect()]

И наконец-то заработает!

После одного лайнера вы получите список, который вам нужен.

mvv = mvv_count_df.select("mvv").rdd.flatMap(lambda x: x).collect()

Это даст вам все элементы в виде списка.

mvv_list = list(
    mvv_count_df.select('mvv').toPandas()['mvv']
)

Следующий код поможет вам

mvv_count_df.select('mvv').rdd.map(lambda row : row[0]).collect()

По моим данным я получил эти тесты:

>>> data.select(col).rdd.flatMap(lambda x: x).collect()

0,52 с

>>> [row[col] for row in data.collect()]

0,271 с

>>> list(data.select(col).toPandas()[col])

0,427 с

Результат тот же

Если вы получите сообщение об ошибке ниже:

AttributeError: объект 'list' не имеет атрибута 'collect'

Этот код решит ваши проблемы:

mvv_list = mvv_count_df.select('mvv').collect()

mvv_array = [int(i.mvv) for i in mvv_list]

Я провел сравнительный анализ, и list(mvv_count_df.select('mvv').toPandas()['mvv'])это самый быстрый метод. Я очень удивлен.

Я использовал разные подходы для наборов данных со 100 тысячами / 100 миллионами строк, используя 5-узловой кластер i3.xlarge (каждый узел имеет 30,5 ГБ ОЗУ и 4 ядра) с Spark 2.4.5. Данные были равномерно распределены по 20 быстро сжатым файлам Parquet с одним столбцом.

Вот результаты тестирования (время выполнения в секундах):

+-------------------------------------------------------------+---------+-------------+
|                          Code                               | 100,000 | 100,000,000 |
+-------------------------------------------------------------+---------+-------------+
| df.select("col_name").rdd.flatMap(lambda x: x).collect()    |     0.4 | 55.3        |
| list(df.select('col_name').toPandas()['col_name'])          |     0.4 | 17.5        |
| df.select('col_name').rdd.map(lambda row : row[0]).collect()|     0.9 | 69          |
| [row[0] for row in df.select('col_name').collect()]         |     1.0 | OOM         |
| [r[0] for r in mid_df.select('col_name').toLocalIterator()] |     1.2 | *           |
+-------------------------------------------------------------+---------+-------------+

* cancelled after 800 seconds

Золотые правила, которым необходимо следовать при сборе данных на узле драйвера:

• Попробуйте решить проблему другими подходами. Сбор данных в узел драйвера стоит дорого, не использует возможности кластера Spark, и его следует по возможности избегать.
• Соберите как можно меньше рядов. Агрегируйте, дедуплицируйте, фильтруйте и сокращайте столбцы перед сбором данных. Отправьте как можно меньше данных в узел драйвера.

toPandas был значительно улучшен в Spark 2.3 . Вероятно, это не лучший подход, если вы используете версию Spark до 2.3.

См. Здесь для получения более подробной информации / результатов тестирования.

Возможное решение - использование collect_list()функции из pyspark.sql.functions. Это объединит все значения столбцов в массив pyspark, который при сборе преобразуется в список Python:

mvv_list   = df.select(collect_list("mvv")).collect()[0][0]
count_list = df.select(collect_list("count")).collect()[0][0] 

Давайте создадим рассматриваемый фрейм данных

df_test = spark.createDataFrame(
    [
        (1, 5),
        (2, 9),
        (3, 3),
        (4, 1),
    ],
    ['mvv', 'count']
)
df_test.show()

Который дает

+---+-----+
|mvv|count|
+---+-----+
|  1|    5|
|  2|    9|
|  3|    3|
|  4|    1|
+---+-----+

а затем примените rdd.flatMap (f) .collect (), чтобы получить список

test_list = df_test.select("mvv").rdd.flatMap(list).collect()
print(type(test_list))
print(test_list)

который дает

<type 'list'>
[1, 2, 3, 4]