Question

在PySpark中，您可以定义一个架构并使用此预定义的架构读取数据源，例如。 g。：

Schema = StructType([ StructField("temperature", DoubleType(), True),
                      StructField("temperature_unit", StringType(), True),
                      StructField("humidity", DoubleType(), True),
                      StructField("humidity_unit", StringType(), True),
                      StructField("pressure", DoubleType(), True),
                      StructField("pressure_unit", StringType(), True)
                    ])

对于某些数据源，可以从数据源推断模式并使用此模式定义获取数据框。

是否可以从以前推断过数据的数据帧中获取模式定义（以上述形式）？

df.printSchema()将模式打印为树，但是我需要重用该模式，如上定义，所以我可以从以前从另一个数据源中推断出的该模式读取一个数据源。

Answer 1

是的，有可能。使用DataFrame.schema property

schema

以pyspark.sql.types.StructType返回此DataFrame的架构。
>>> df.schema
StructType(List(StructField(age,IntegerType,true),StructField(name,StringType,true)))
1.3版中的新功能。

模式can be also exported to JSON and imported back（如果需要）。

Answer 2

下面的代码将为您提供已知数据帧的格式良好的表格模式定义。当您有非常多的列并且编辑繁琐时，这很有用。然后，您现在可以将其应用于新的数据框并手动编辑您可能需要的任何列。

from pyspark.sql.types import StructType

schema = [i for i in df.schema]

然后从这里开始，您将拥有新的架构：

NewSchema = StructType(schema)

Answer 3

您可以为现有数据框重新使用架构

l = [('Ankita',25,'F'),('Jalfaizy',22,'M'),('saurabh',20,'M'),('Bala',26,None)]
people_rdd=spark.sparkContext.parallelize(l)
schemaPeople = people_rdd.toDF(['name','age','gender'])

schemaPeople.show()

+--------+---+------+
|    name|age|gender|
+--------+---+------+
|  Ankita| 25|     F|
|Jalfaizy| 22|     M|
| saurabh| 20|     M|
|    Bala| 26|  null|
+--------+---+------+

spark.createDataFrame(people_rdd,schemaPeople.schema).show()

+--------+---+------+
|    name|age|gender|
+--------+---+------+
|  Ankita| 25|     F|
|Jalfaizy| 22|     M|
| saurabh| 20|     M|
|    Bala| 26|  null|
+--------+---+------+

只需使用df.schema即可获取数据框的基础架构

schemaPeople.schema

StructType(List(StructField(name,StringType,true),StructField(age,LongType,true),StructField(gender,StringType,true)))

Answer 4

如果您要从PySpark寻找DDL字符串：

df: DataFrame = spark.read.load('LOCATION')
schema_json = df.schema.json()
ddl = spark.sparkContext._jvm.org.apache.spark.sql.types.DataType.fromJson(schema_json).toDDL()

如何从PySpark中的数据框获取架构定义？

4 个答案: