我是pyspark的新手。我想从输入文件中读取特定列。我知道如何在熊猫中做到这一点
df=pd.read_csv('file.csv',usecols=[0,1,2])
但在pyspark中是否有与此操作类似的功能?
答案 0 :(得分:1)
阅读CSV文件通常不像@ zlidime的答案那样简单。
如果列内容中包含;
个字符,该怎么办?然后你需要解析引号,并事先知道引用字符是什么。
或者您可能希望跳过标题,或者将其解析为具有列名称。
相反,正如前面提到的here,您可以使用dataframes
df = sqlContext.read.format("com.databricks.spark.csv").option("header", "true").load("te2.csv")
要查询列,您可以使用:
df.col("col_1").cast("int")
答案 1 :(得分:0)
您好,您可以使用地图选择特定列
from pyspark import SQLContext
from pyspark import SparkConf, SparkContext
conf = SparkConf().setAppName("ReadCSV")
sc = SparkContext(conf=conf)
sqlctx = SQLContext(sc)
df=sc.textFile("te2.csv") \
.map(lambda line: line.split(";")) \
.map(lambda line: (line[0],line[3])) \
.toDF()