如何从PySpark中的数据框获取架构定义？

Question

在PySpark中，您可以定义一个架构并使用此预定义的架构读取数据源，例如：

Schema = StructType([ StructField("temperature", DoubleType(), True),
                      StructField("temperature_unit", StringType(), True),
                      StructField("humidity", DoubleType(), True),
                      StructField("humidity_unit", StringType(), True),
                      StructField("pressure", DoubleType(), True),
                      StructField("pressure_unit", StringType(), True)
                    ])

对于某些数据源，可以从数据源推断模式并使用此模式定义获取数据框。

是否可以从以前推断过数据的数据帧中获取模式定义（采用上述形式）？

df.printSchema() 将模式打印为树，但是我需要重用该模式（如上定义），因此我可以读取以前从另一个数据源推断出的具有该模式的数据源。

Answer 1

如果您正在从 PySpark 查找 DDL 字符串：

df: DataFrame = spark.read.load('LOCATION')
schema_json = df.schema.json()
ddl = spark.sparkContext._jvm.org.apache.spark.sql.types.DataType.fromJson(schema_json).toDDL()

Answer 2

对的，这是可能的。使用DataFrame.schema property

schema

以pyspark.sql.types.StructType的形式返回此DataFrame的架构。

>>> df.schema
StructType(List(StructField(age,IntegerType,true),StructField(name,StringType,true)))

1.3版的新功能。

架构也可以导出为JSON，并在需要时导入回来。

Answer 3

您可以为现有的 Dataframe 重用架构

l = [('Ankita',25,'F'),('Jalfaizy',22,'M'),('saurabh',20,'M'),('Bala',26,None)]
people_rdd=spark.sparkContext.parallelize(l)
schemaPeople = people_rdd.toDF(['name','age','gender'])

schemaPeople.show()

+--------+---+------+
|    name|age|gender|
+--------+---+------+
|  Ankita| 25|     F|
|Jalfaizy| 22|     M|
| saurabh| 20|     M|
|    Bala| 26|  null|
+--------+---+------+

spark.createDataFrame(people_rdd,schemaPeople.schema).show()

+--------+---+------+
|    name|age|gender|
+--------+---+------+
|  Ankita| 25|     F|
|Jalfaizy| 22|     M|
| saurabh| 20|     M|
|    Bala| 26|  null|
+--------+---+------+

只需使用 df.schema 即可获取数据框的底层架构

schemaPeople.schema

StructType(List(StructField(name,StringType,true),StructField(age,LongType,true),StructField(gender,StringType,true)))

Answer 4

下面的代码将为您提供已知数据帧的格式良好的表格模式定义。当您有非常多的列并且编辑很麻烦时，这非常有用。然后，您现在可以将其应用于新的数据框并手动编辑您可能想要的任何列。

from pyspark.sql.types import StructType

schema = [i for i in df.schema] 

然后从这里开始，您有了新的架构：

NewSchema = StructType(schema)