spark: RDD與DataFrame之間的相互轉(zhuǎn)換方法
DataFrame是一個組織成命名列的數(shù)據(jù)集。它在概念上等同于關(guān)系數(shù)據(jù)庫中的表或R/Python中的數(shù)據(jù)框架,但其經(jīng)過了優(yōu)化。DataFrames可以從各種各樣的源構(gòu)建,例如:結(jié)構(gòu)化數(shù)據(jù)文件,Hive中的表,外部數(shù)據(jù)庫或現(xiàn)有RDD。
DataFrame API 可以被Scala,Java,Python和R調(diào)用。
在Scala和Java中,DataFrame由Rows的數(shù)據(jù)集表示。
在Scala API中,DataFrame只是一個類型別名Dataset[Row]。而在Java API中,用戶需要Dataset<Row>用來表示DataFrame。
在本文檔中,我們經(jīng)常將Scala/Java數(shù)據(jù)集Row稱為DataFrames。
那么DataFrame和spark核心數(shù)據(jù)結(jié)構(gòu)RDD之間怎么進行轉(zhuǎn)換呢?
代碼如下:
# -*- coding: utf-8 -*- from __future__ import print_function from pyspark.sql import SparkSession from pyspark.sql import Row if __name__ == "__main__": # 初始化SparkSession spark = SparkSession \ .builder \ .appName("RDD_and_DataFrame") \ .config("spark.some.config.option", "some-value") \ .getOrCreate() sc = spark.sparkContext lines = sc.textFile("employee.txt") parts = lines.map(lambda l: l.split(",")) employee = parts.map(lambda p: Row(name=p[0], salary=int(p[1]))) #RDD轉(zhuǎn)換成DataFrame employee_temp = spark.createDataFrame(employee) #顯示DataFrame數(shù)據(jù) employee_temp.show() #創(chuàng)建視圖 employee_temp.createOrReplaceTempView("employee") #過濾數(shù)據(jù) employee_result = spark.sql("SELECT name,salary FROM employee WHERE salary >= 14000 AND salary <= 20000") # DataFrame轉(zhuǎn)換成RDD result = employee_result.rdd.map(lambda p: "name: " + p.name + " salary: " + str(p.salary)).collect() #打印RDD數(shù)據(jù) for n in result: print(n)
以上這篇spark: RDD與DataFrame之間的相互轉(zhuǎn)換方法就是小編分享給大家的全部內(nèi)容了,希望能給大家一個參考,也希望大家多多支持腳本之家。
相關(guān)文章
Python如何根據(jù)時間序列數(shù)據(jù)作圖
這篇文章主要介紹了Python如何根據(jù)時間序列數(shù)據(jù)作圖,文中通過示例代碼介紹的非常詳細,對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2020-05-05一個簡單的python爬蟲程序 爬取豆瓣熱度Top100以內(nèi)的電影信息
這篇文章主要為大家詳細介紹了一個簡單的python爬蟲程序,爬取豆瓣熱度Top100以內(nèi)的電影信息,具有一定的參考價值,感興趣的小伙伴們可以參考一下2018-04-04