Question

我有一个现有的逻辑，可将pandas数据框转换为元组列表。

list(zip(*[df[c].values.tolist() for c in df]))

其中df是熊猫数据框。

请有人帮我实现pyspark中没有熊猫的相同逻辑。

Answer 1

您可以先使用dataframe方法将RDD转换为rdd。数据帧中的Row也是tuple，因此您可以：

rdd = df.rdd
b = rdd.map(tuple)
b.collect()

DF示例：

df.show()
+-----+-----+
| Name|Score|
+-----+-----+
|name1|11.23|
|name2|14.57|
|name3| 2.21|
|name4| 8.76|
|name5|18.71|
+-----+-----+

在b.collect()

之后

[('name1', 11.23), ('name2', 14.57), ('name3', 2.21), ('name4', 8.76), ('name5', 18.71)]

编辑

如果要遍历此元组列表，可以调用collect()，但正确的方法是toLocalIterator()

Answer 2

没有collect但有collect_list的替代方案

import pyspark.sql.functions as F

df.show()
+-----+-----+
| Name|Score|
+-----+-----+
|name1|11.23|
|name2|14.57|
|name3| 2.21|
|name4| 8.76|
|name5|18.71|
+-----+-----+

@F.udf
def combo(*args):
  return [_ for _ in args][0]

df.withColumn('Combo', combo(F.array('Name','Score'))).agg(F.collect_list('Combo')).show(truncate=False)

+--------------------------------------------------------------------------+
|collect_list(Combo)                                                       |
+--------------------------------------------------------------------------+
|[[name1, 11.23],[name2, 14.57],[name3, 2.21],[name4, 8.76],[name5, 18.71]]|
+--------------------------------------------------------------------------+

将Spark数据框转换为不包含Pandas数据框的元组列表

2 个答案:

编辑