Question

我正在使用 pyspark 数据框。

我有一个日期类型值列表：

date_list = ['2018-01-19', '2018-01-20', '2018-01-17']

我还有一个只有一列（平均值）的数据框（mean_df）。

+----+
|mean|
+----+
|67  |
|78  |
|98  |
+----+

现在我想将 date_list 转换为一列并加入 mean_df：

预期输出：

+------------+----+
|dates       |mean|
+------------+----+
|2018-01-19  |  67|
|2018-01-20  |  78|
|2018-01-17  |  98|
+------------+----+

我尝试将列表转换为数据框 (date_df) :

date_df = spark.createDataFrame([(l,) for l in date_list], ['dates'])

然后为 date_df 和 mean_df 使用 monotonically_increasing_id() 和新的列名“idx”，并使用 join ：

date_df = mean_df.join(date_df, mean_df.idx == date_df.idx).drop("idx")

我收到超时错误，因此我将默认的 broadcastTimeout 300s 更改为 6000s

spark.conf.set("spark.sql.broadcastTimeout", 6000)

但它根本不起作用。此外，我现在正在处理一个非常小的数据样本。实际数据足够大。

代码片段：

date_list = ['2018-01-19', '2018-01-20', '2018-01-17']
mean_list = []


for d in date_list:
    h2_df1, h2_df2 = hypo_2(h2_df, d, 2)
    
    mean1 = h2_df1.select(_mean(col('count_before')).alias('mean_before'))
   
    mean_list.append(mean1)
    
    
mean_df = reduce(DataFrame.unionAll, mean_list)

Answer 1

您可以使用 withColumn 和 lit 将日期添加到数据框中：

import pyspark.sql.functions as F

date_list = ['2018-01-19', '2018-01-20', '2018-01-17']
mean_list = []

for d in date_list:
    h2_df1, h2_df2 = hypo_2(h2_df, d, 2)
    
    mean1 = h2_df1.select(F.mean(F.col('count_before')).alias('mean_before')).withColumn('date', F.lit(d))
   
    mean_list.append(mean1)
    
    
mean_df = reduce(DataFrame.unionAll, mean_list)

将列表转换为数据框，然后在 pyspark 中加入不同的数据框

1 个答案: