Question

我需要使用pySpark迭代dataframe，就像我们可以使用for循环迭代一组值一样。以下是我编写的代码。这段代码的问题是

我必须使用破坏并行性的收集
我无法在函数funcRowIter
找到匹配后，我无法打破循环。

我必须在pySpark中执行此操作，并且不能使用pandas：

from pyspark.sql.functions import *
from pyspark.sql import HiveContext
from pyspark.sql import functions
from pyspark.sql import DataFrameWriter
from pyspark.sql.readwriter import DataFrameWriter
from pyspark import SparkContext

sc = SparkContext()
hive_context = HiveContext(sc)

tab = hive_context.sql("select * from update_poc.test_table_a")

tab.registerTempTable("tab")
print type(tab)

df = tab.rdd

def funcRowIter(rows):
    print type(rows)
        if(rows.id == "1"):
            return 1

df_1 = df.map(funcRowIter).collect()
print df_1

Answer 1

似乎您的目标是显示特定的行。您可以使用.filter，然后使用.collect。

例如，

row_1 = rdd.filter(lambda x: x.id==1).collect()

但是，尝试以这种方式迭代数据帧会有效率。

Answer 2

您应该尝试使用UDF，而不是使用df_1 = df.map(funcRowIter).collect()。希望这会有所帮助。

from pyspark.sql.functions import struct
from pyspark.sql.functions import *
def funcRowIter(rows):
    print type(rows)
    if(row is nor None and row.id is not None)
        if(rows.id == "1"):
            return 1
A = udf(funcRowIter, ArrayType(StringType()))
z = df.withColumn(data_id, A(struct([df[x] for x in df.columns])))
z.show()

collect()永远不会是大数据的好选择，即数百万条记录

使用pySpark迭代数据帧的每一行

2 个答案: