通过pyspark读取csv文件，其中一些值在列空白处

Question

我有一个csv文件，看起来像这样

A B C
1 2 
2 4
3 2 5
1 2 3
4 5 6

当我将这些数据读入spark时，它会将C列视为＆＃34; string＆＃34;因为＆＃34;空白＆＃34;在前几行。

请问有人请告诉我如何在SQL数据框中加载此文件，以便列c保持整数（或浮点数）？

我正在使用＆＃34; sc.textFile＆＃34;将数据读入spark，然后将其转换为SQL数据帧。

我看过this和this个链接。但他们对我帮助不大。

我的代码部分。在代码的最后一行我得到了错误。

myFile=sc.textFile(myData.csv)

header = myFile.first()
fields = [StructField(field_name, StringType(), True) for field_name in header.split(',')]
fields[0].dataType = FloatType()
fields[1].dataType = FloatType()
fields[2].dataType = FloatType()

schema = StructType(fields)

myFileCh = myFile.map(lambda k: k.split(",")).map(lambda p: (float(p[0]),float(p[1]),float(p[2])))

谢谢！

Answer 1

所以问题在于这种不安全的铸造。你可以实现一个简短的函数来执行“安全”转换并返回一个defult值，以防转换为fload失败。

def safe_cast(val, to_type, default=None):
try:
    return to_type(val)
except ValueError:
    return default

safe_cast('tst', float) # will return None
safe_cast('tst', float, 0.0) # will return 0.0

myFileCh = myFile.map(lambda k: k.split(",")).map(lambda p: (safe_cast(p[0], float),safe_cast(p[1], float),safe_cast(p[2], float)))