Question

我之前询问了如何Convert scipy sparse matrix to pyspark.sql.dataframe.DataFrame的问题，并在阅读了所提供的答案以及this article后取得了一些进展。我最终得到了以下代码，用于将scipy.sparse.csc_matrix转换为pandas数据帧：

df = pd.DataFrame(csc_mat.todense()).to_sparse(fill_value=0)
df.columns = header

然后我尝试使用建议的语法将pandas数据帧转换为spark数据帧：

spark_df = sqlContext.createDataFrame(df)

但是，我收到了以下错误：

ValueError: cannot create an RDD from type: <type 'list'>

我不相信它与sqlContext有任何关系，因为我能够将大致相同大小的另一个pandas数据帧转换为spark数据帧，没问题。有什么想法吗？

Answer 1

to_sparse(fill_value=0)基本上已经过时了。只需使用标准变体

sqlContext.createDataFrame(pd.DataFrame(csc_mat.todense()))

，只要类型兼容，就可以了。

Answer 2

我不确定这个问题是否仍然与当前的pySpark版本有关，但这是我在发布此问题几周后得出的解决方案。代码很丑陋，可能效率很低，但是由于对此问题的持续关注，我将其发布在这里。

from pyspark import SparkContext
from pyspark.sql import HiveContext
from pyspark import SparkConf
from py4j.protocol import Py4JJavaError

myConf = SparkConf(loadDefaults=True)
sc = SparkContext(conf=myConf)
hc = HiveContext(sc)


def chunks(lst, k):
    """Yield k chunks of close to equal size"""
    n = len(lst) / k
    for i in range(0, len(lst), n):
        yield lst[i: i + n]


def reconstruct_rdd(lst, num_parts):
    partitions = chunks(lst, num_parts)
    for part in range(0, num_parts - 1):
        print "Partition ", part, " started..."
        partition = next(partitions)    # partition is a list of lists
        if part == 0:
            prime_rdd = sc.parallelize(partition)
        else:
            second_rdd = sc.parallelize(partition)
            prime_rdd = prime_rdd.union(second_rdd)
        print "Partition ", part, " complete!"
    return prime_rdd


def build_col_name_list(len_cols):
    name_lst = []
    for i in range(1, len_cols):
        idx = "_" + str(i)
        name_lst.append(idx)
    return name_lst


def set_spark_df_header(header, sdf):
    oldColumns = build_col_name_lst(len(sdf.columns))
    newColumns = header
    sdf = reduce(lambda sdf, idx: sdf.withColumnRenamed(oldColumns[idx], newColumns[idx]), xrange(len(oldColumns)), sdf)
    return sdf


def convert_pdf_matrix_to_sdf(pdf, sdf_header, num_of_parts):
    try:
        sdf = hc.createDataFrame(pdf)
    except ValueError:
        lst = pdf.values.tolist()   #Need to convert to list of list to parallelize
        try:
            rdd = sc.parallelize(lst)
        except Py4JJavaError:
            rdd = reconstruct_rdd(lst, num_of_parts)
            sdf = hc.createDataFrame(rdd)
            sdf = set_spark_df_header(sdf_header, sdf)
    return sdf

将Pandas DataFrame转换为Spark DataFrame

2 个答案: