将spark DataFrame列转换为python列表

Question

我处理一个包含两列mvv和count的数据帧.

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

我想获得两个包含mvv值和计数值的列表.就像是

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

所以,我尝试了以下代码:第一行应该返回一个python列表行.我想看到第一个值:

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

但是我收到第二行的错误消息:

AttributeError:getInt

Answer 1

看,为什么你这样做不起作用.首先,您尝试从行类型中获取整数,您的collect的输出如下所示:

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

如果你采取这样的事情:

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

你会得到mvv价值.如果你想要数组的所有信息,你可以采取这样的方式:

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

但是,如果您对其他列尝试相同的操作,则会得到:

>>> 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'

发生这种情况是因为它count是一种内置方法.该列的名称与count.执行此操作的解决方法是将列名更改count为_count:

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

但是不需要此解决方法,因为您可以使用字典语法访问该列:

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

它终将奏效!

Answer 2

在一个班轮后面给出你想要的清单.

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

Answer 3

我进行了基准分析，这list(mvv_count_df.select('mvv').toPandas()['mvv'])是最快的方法。我很惊讶。

我使用 Spark 2.4.5 的 5 节点 i3.xlarge 集群（每个节点有 30.5 GB 的 RAM 和 4 个内核）在 10 万/1 亿行数据集上运行了不同的方法。数据均匀分布在 20 个压缩的 Parquet 文件中，只有一列。

这是基准测试结果（以秒为单位的运行时间）：

+-------------------------------------------------------------+---------+-------------+
|                          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

在驱动程序节点上收集数据时要遵循的黄金规则：

• 尝试用其他方法解决问题。将数据收集到驱动程序节点是昂贵的，不能利用 Spark 集群的功能，应尽可能避免。
• 收集尽可能少的行。在收集数据之前聚合、重复数据删除、过滤和修剪列。尽可能少地向驱动程序节点发送数据。

toPandas 在 Spark 2.3 中得到了显着改进。如果您使用的是早于 2.3 的 Spark 版本，这可能不是最好的方法。

有关更多详细信息/基准测试结果，请参见此处。

Answer 4

这将为您提供列表中的所有元素.

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

Answer 5

以下代码将为您提供帮助

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

Answer 6

一个可能的解决方案是使用collect_list()中的函数pyspark.sql.functions。这会将所有列值聚合到一个 pyspark 数组中，该数组在收集时会转换为 python 列表：

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

Answer 7

您可以首先收集 df 并将返回 Row 类型的列表

row_list = df.select('mvv').collect()

迭代行以转换为列表

sno_id_array = [ int(row.mvv) for row in row_list]

sno_id_array 
[1,2,3,4]

使用平面图

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

Answer 8

如果您收到以下错误：

AttributeError: 'list' 对象没有属性 'collect'

此代码将解决您的问题：

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

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

Answer 9

根据我的数据，我得到了这些基准：

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

0.52秒

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

0.271秒

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

0.427秒

结果是一样的

Answer 10

让我们创建有问题的数据框

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

这使

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

然后应用 rdd.flatMap(f).collect() 来获取列表

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

这使

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

Answer 11

when尽管有很多答案，但当您需要将列表与和isin命令结合使用时，其中一些答案将不起作用。产生扁平值列表的最简单而有效的方法是使用列表理解并[0]避免行名称：

flatten_list_from_spark_df=[i[0] for i in df.select("your column").collect()]

另一种方法是使用 panda 数据框，然后使用该list功能，但它不如 this 方便和有效。