我正在尝试将来自不同数据框的列合并为一个以进行分析。我正在将需要的所有列收集到字典中。
我现在有一个这样的字典-
newDFDict = {
'schoolName': school.INSTNM,
'type': school.CONTROL,
'avgCostAcademicYear': costs.COSTT4_A,
'avgCostProgramYear': costs.COSTT4_P,
'averageNetPricePublic': costs.NPT4_PUB,
}
{
'schoolName': Column<b'INSTNM'>,
'type': Column<b'CONTROL'>,
'avgCostAcademicYear': Column<b'COSTT4_A'>,
'avgCostProgramYear': Column<b'COSTT4_P'>,
'averageNetPricePublic': Column<b'NPT4_PUB'>
}
我想将此字典转换为Pyspark数据框。
我尝试了这种方法,但是输出不是我期望的-
newDFDict = {
'schoolName': school.select("INSTNM").collect(),
'type': school.select("CONTROL").collect(),
'avgCostAcademicYear': costs.select("COSTT4_A").collect(),
'avgCostProgramYear': costs.select("COSTT4_P").collect(),
'averageNetPricePublic': costs.select("NPT4_PUB").collect(),
}
newDF = sc.parallelize([newDFDict]).toDF()
newDF.show()
+---------------------+--------------------+--------------------+--------------------+--------------------+
|averageNetPricePublic| avgCostAcademicYear| avgCostProgramYear| schoolName| type|
+---------------------+--------------------+--------------------+--------------------+--------------------+
| [[NULL], [NULL], ...|[[NULL], [NULL], ...|[[NULL], [NULL], ...|[[Community Colle...|[[1], [1], [1], [...|
+---------------------+--------------------+--------------------+--------------------+--------------------+
有可能吗? 如果可能的话,怎么办?
这是正确的方法吗?如果没有,我该如何实现?
由于数据量很大(2-3 GB),而熊猫速度太慢,因此不能使用熊猫。我在本地计算机上运行pyspark。
提前谢谢! :)
答案 0 :(得分:1)
这些是我建议的两个选择
您说过,您有> = 10个表(要从中构建字典),这些表具有公用列(例如'schoolName','type','avgCostAcademicYear','avgCostProgramYear','averageNetPricePublic'是常见的列),则可以使用 union 或 unionByName 形成单一合并。数据视图。
例如:
select 'schoolName','type' 'avgCostAcademicYear' ,'avgCostProgramYear' , 'averageNetPricePublic' from df1
union
select 'schoolName','type' 'avgCostAcademicYear' ,'avgCostProgramYear' , 'averageNetPricePublic' from df2
....
union
select 'schoolName','type' 'avgCostAcademicYear' ,'avgCostProgramYear' , 'averageNetPricePublic' from dfN
将为您提供词典的综合视图
如果您有一些普通的联接列,那么无论存在多少张表,您也可以进行标准联接。
对于伪sql示例:
select dictionary columns from table1,table2,table3,... tablen where join common columns in all tables (table1... tablen)
请注意错过任何联接列将导致笛卡尔积