Question

我在pyspark中有一个DataFrame（df），通过从hive表中读取：

df=spark.sql('select * from <table_name>')


+++++++++++++++++++++++++++++++++++++++++++
|  Name    |    URL visited               |
+++++++++++++++++++++++++++++++++++++++++++
|  person1 | [google,msn,yahoo]           |
|  person2 | [fb.com,airbnb,wired.com]    |
|  person3 | [fb.com,google.com]          |
+++++++++++++++++++++++++++++++++++++++++++

当我尝试以下操作时，出现错误

df_dict = dict(zip(df['name'],df['url']))
"TypeError: zip argument #1 must support iteration."

type(df.name) is of 'pyspark.sql.column.Column'

如何创建如下的字典，稍后可以在

上进行迭代

{'person1':'google','msn','yahoo'}
{'person2':'fb.com','airbnb','wired.com'}
{'person3':'fb.com','google.com'}

感谢您的想法和帮助。

Answer 1

我认为您可以尝试figure imagesc(transpose(all_area_for_visual)); colormap("jet") xlim([0,250000]); xlabel('Time (s)') yticks([all_area_for_visual(1,:)])，此代码直接在执行程序上运行，并且您不必在驱动程序上收集数据。

类似的东西：

row.asDict()

Answer 2

如果您希望将结果放在python词典中，可以使用collect() ¹将数据带入本地内存，然后根据需要按下输出。

首先收集数据：

df_dict = df.collect()
#[Row(Name=u'person1', URL visited=[u'google', u'msn,yahoo']),
# Row(Name=u'person2', URL visited=[u'fb.com', u'airbnb', u'wired.com']),
# Row(Name=u'person3', URL visited=[u'fb.com', u'google.com'])]

这将返回pyspark.sql.Row个对象的列表。您可以轻松将其转换为dict s列表：

df_dict = [{r['Name']: r['URL visited']} for r in df_dict]
#[{u'person1': [u'google', u'msn,yahoo']},
# {u'person2': [u'fb.com', u'airbnb', u'wired.com']},
# {u'person3': [u'fb.com', u'google.com']}]

¹请注意，对于大型数据集，此操作可能很慢，并且可能因内存不足错误而失败。您应该考虑这是否是您真正想要做的事情，因为您将通过将数据带入本地内存而失去spark的并行化优势。

Answer 3

如何使用pyspark Row.as_Dict()方法？这是dataframe API的一部分（在撰写本文时，我理解这是“推荐的” API），完全不需要您使用RDD API。

df_list_of_dict = [row.asDict() for row in df.collect()]

type(df_list_of_dict), type(df_list_of_dict[0])
#(<class 'list'>, <class 'dict'>)

df_list_of_dict
#[{'person1': ['google','msn','yahoo']},
# {'person2': ['fb.com','airbnb','wired.com']},
# {'person3': ['fb.com','google.com']}]

Answer 4

给出：

+++++++++++++++++++++++++++++++++++++++++++
|  Name    |    URL visited               |
+++++++++++++++++++++++++++++++++++++++++++
|  person1 | [google,msn,yahoo]           |
|  person2 | [fb.com,airbnb,wired.com]    |
|  person3 | [fb.com,google.com]          |
+++++++++++++++++++++++++++++++++++++++++++

这应该有效：

df_dict = df \
    .rdd \
    .map(lambda row: {row[0]: row[1]}) \
    .collect()

df_dict

#[{'person1': ['google','msn','yahoo']},
# {'person2': ['fb.com','airbnb','wired.com']},
# {'person3': ['fb.com','google.com']}]

通过这种方式，您只需要在处理后收集即可。

请让我知道这是否适合您：）

在pyspark中将行转换为Dictionary

4 个答案: