Question

我有一个非常大的pyspark数据帧和一个较小的pandas数据帧，我读了如下：

df1 = spark.read.csv("/user/me/data1/")
df2 = pd.read_csv("data2.csv")

两个数据帧都包含标记为“A”和“B”的列。我想创建另一个pyspark数据框，其中只包含来自df1的行，其中“A”和“B”列中的条目出现在df2中具有相同名称的列中。这是使用df2的列“A”和“B”过滤df1。

通常我认为这是一个连接（用merge实现）但是你如何加入一个pyspark数据框的pandas数据框？

我无法将df1转换为pandas数据帧。

Answer 1

您可以在从pandas dataframe转换为pyspark数据帧时传递架构，如下所示：

from pyspark.sql.types import *
schema = StructType([
StructField("name", StringType(), True),
StructField("age", IntegerType(), True)])
df = sqlContext.createDataFrame(pandas_dataframe, schema)

或者您可以使用我在此功能中使用的hack：

def create_spark_dataframe(file_name):
    """
    will return the spark dataframe input pandas dataframe
    """
    pandas_data_frame = pd.read_csv(file_name)
    for col in pandas_data_frame.columns:
      if ((pandas_data_frame[col].dtypes != np.int64) & (pandas_data_frame[col].dtypes != np.float64)):
        pandas_data_frame[col] = pandas_data_frame[col].fillna('')

    spark_data_frame = sqlContext.createDataFrame(pandas_data_frame)
    return spark_data_frame

Answer 2

您可以使用以下代码段获取帮助：

df1 = spark.read.csv("/user/me/data1/")
df2 = pd.read_csv("data2.csv", keep_default_na=False)
df3 = df = sqlContext.createDataFrame(df2, schema)
df = df1.join(df3, ["A", "B"])

如何合并pyspark和pandas数据帧

2 个答案: