Jak przekonwertować obiekt rdd na ramkę danych w programie Spark

139

Jak mogę przekonwertować RDD ( org.apache.spark.rdd.RDD[org.apache.spark.sql.Row]) na Dataframe org.apache.spark.sql.DataFrame. Przekonwertowałem ramkę danych na rdd za pomocą .rdd. Po przetworzeniu chcę go z powrotem w ramce danych. W jaki sposób mogę to zrobić ?

user568109
źródło
sposób na osiągnięcie tego w Spark 2.x
mrsrinivas

Odpowiedzi:

88

SqlContextma wiele createDataFramemetod, które tworzą DataFramedany plik RDD. Wyobrażam sobie, że jeden z nich będzie pasował do twojego kontekstu.

Na przykład:

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

Tworzy DataFrame z RDD zawierającego Rows przy użyciu podanego schematu.

Archetypowy Paweł
źródło
93

Ten kod działa doskonale od Sparka 2.x ze Scalą 2.11

Importuj niezbędne klasy

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

Utwórz SparkSessionobiekt i oto jestspark

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

Zróbmy RDDtoDataFrame

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))
  )
)

Metoda 1

Korzystanie SparkSession.createDataFrame(RDD obj).

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]|
+------+--------------------+

Metoda 2

Używanie SparkSession.createDataFrame(RDD obj)i określanie nazw kolumn.

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]|
+------+--------------------+

Metoda 3 (rzeczywista odpowiedź na pytanie)

W ten sposób wymagane jest, aby dane wejściowe rddbyły typu 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)
  )
)

utwórz schemat

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

Teraz zastosuj oba rowsRddi schemadocreateDataFrame()

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|
+------+----+----+
mrsrinivas
źródło
2
Dziękuję za pokazanie różnych sposobów korzystania z createDataFrame w zrozumiały sposób
vatsug
trzecia metoda jest pomocna w przypadku cegieł danych, ponieważ inne nie działają i powodują błąd
Narendra Maru
67

Zakładając, że Twój RDD [wiersz] nazywa się rdd, możesz użyć:

val sqlContext = new SQLContext(sc) 
import sqlContext.implicits._
rdd.toDF()
dtjones
źródło
26
Myślę, że to nie działa dla RDD [Row]. Czy coś mi brakuje?
Daniel de Paula
4
Ponieważ Spark 2,0 SQLContext jest zastępowany przez SparkSession, ale klasa jest przechowywana w bazie kodu w celu zapewnienia zgodności z poprzednimi wersjami (scaladoc). Użycie go powoduje ostrzeżenie o wycofaniu.
tomaskazemekas
18

Uwaga: ta odpowiedź została pierwotnie opublikowana tutaj

Zamieszczam tę odpowiedź, ponieważ chciałbym podzielić się dodatkowymi szczegółami na temat dostępnych opcji, których nie znalazłem w innych odpowiedziach


Aby utworzyć DataFrame z RDD wierszy, istnieją dwie główne opcje:

1) Jak już wspomniano, możesz użyć pliku, toDF()który można zaimportować przez import sqlContext.implicits._. Jednak to podejście działa tylko w przypadku następujących typów RDD:

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

(Źródło: Scaladoc z SQLContext.implicitsobiektem)

Ostatni podpis faktycznie oznacza, że ​​może działać dla RDD krotek lub RDD klas przypadków (ponieważ krotki i klasy przypadków są podklasami scala.Product).

Tak więc, aby zastosować to podejście do pliku RDD[Row], musisz zmapować go na plik RDD[T <: scala.Product]. Można to zrobić, mapując każdy wiersz na niestandardową klasę przypadku lub krotkę, jak w następujących fragmentach kodu:

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

lub

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")

Główną wadą tego podejścia (moim zdaniem) jest to, że musisz jawnie ustawić schemat wynikowej ramki DataFrame w funkcji mapy kolumna po kolumnie. Może można to zrobić programowo, jeśli nie znasz schematu z wyprzedzeniem, ale może tam być trochę bałaganu. Tak więc alternatywnie istnieje inna opcja:


2) Możesz użyć createDataFrame(rowRDD: RDD[Row], schema: StructType)as w zaakceptowanej odpowiedzi, która jest dostępna w obiekcie SQLContext . Przykład konwersji RDD starej ramki DataFrame:

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

Zauważ, że nie ma potrzeby jawnego ustawiania żadnej kolumny schematu. Ponownie używamy schematu starego DF, który ma StructTypeklasę i może być łatwo rozszerzany. Jednak takie podejście czasami nie jest możliwe, aw niektórych przypadkach może być mniej wydajne niż pierwsze.

Daniel de Paula
źródło
Dzięki za szczegółyimport sqlContext.implicits.
javadba
W przyszłości prosimy nie publikować identycznych odpowiedzi na wiele pytań. Jeśli pytania się powtarzają, opublikuj jedną dobrą odpowiedź, a następnie zagłosuj lub oflaguj, aby zamknąć drugie pytanie jako duplikat. Jeśli pytanie nie jest powtórzeniem, dostosuj swoje odpowiedzi do pytania. Zobacz: Jak napisać dobrą odpowiedź? .
15

Załóżmy, że masz DataFramei chcesz dokonać pewnych modyfikacji w danych pól, konwertując je na RDD[Row].

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

Aby przekonwertować z powrotem DataFrameod RDDmusimy określić rodzaj konstrukcji z poniższych RDD.

Jeśli typem był typ danych Long , stanie się on taki jak LongTypew strukturze.

Jeśli Stringto StringTypew strukturze.

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

Teraz można przekonwertować RDD do DataFrame pomocą createDataFrame metody.

val aNamedDF = sqlContext.createDataFrame(aRdd,aStruct)
Ajay Gupta
źródło
7

Oto prosty przykład konwersji listy do Spark RDD, a następnie przekonwertowania tego Spark RDD na Dataframe.

Zwróć uwagę, że użyłem scala REPL Spark-shell do wykonania następującego kodu, Tutaj sc jest wystąpieniem SparkContext, które jest niejawnie dostępne w Spark-shell. Mam nadzieję, że odpowie na twoje pytanie.

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|
+---+
Rashmit Rathod
źródło
Ciekawostka: to przestaje działać, gdy twoja lista ma wartość Double zamiast int (lub Long, String, <: Product).
Rick Moritz
Nie odpowiada na OP: który mówi o RDD [Row]
javadba
6

Metoda 1: (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")

Metoda 2: (Scala)

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()

Metoda 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()

Metoda 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()

Wyodrębniono wartość z obiektu wiersza, a następnie zastosowano klasę przypadku, aby przekonwertować rdd na 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
Aravind Krishnakumar
źródło
4

W nowszych wersjach Spark (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: _*)
ozzieisaacs
źródło
1
sparkSession to tylko opakowanie dla sqlContext, hiveContext
Archit
1
One needs to create a schema, and attach it to the Rdd.

Zakładając, że val Spark jest produktem 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 

Te same kroki, ale z mniejszą liczbą deklaracji val:

    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
teserecter
źródło
1

Próbowałem wyjaśnić rozwiązanie, używając problemu z liczbą słów . 1. Przeczytaj plik za pomocą sc

  1. Podaj liczbę słów
  2. Metody tworzenia DF

    • rdd.toDF metoda
    • rdd.toDF ("słowo", "liczba")
      • spark.createDataFrame (rdd, schemat)

    Przeczytaj plik za pomocą Spark

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

    Rdd do Dataframe

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

    Metoda 1

    Utwórz liczbę słów RDD w Dataframe

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

    Metoda 2

    Utwórz Dataframe z Rdd

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

    Metoda 3

    Zdefiniuj schemat

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

    val schema = new StructType (). add (StructField ("słowo", StringType, prawda)). add (StructField ("count", StringType, true))

    Utwórz RowRDD

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

    Utwórz DataFrame z RDD ze schematem

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

Priyanshu Singh
źródło
0

Aby przekonwertować Array [Row] na DataFrame lub Dataset, następujące elementy działają elegancko:

Powiedzmy, że schemat to typ StructType dla wiersza

val rows: Array[Row]=...
implicit val encoder = RowEncoder.apply(schema)
import spark.implicits._
rows.toDS
Tomek
źródło