Spark DataFrame 方法 `toPandas` 实际上在做什么？

Question

我是 Spark-DataFrame API 的初学者。

我使用此代码将制表符分隔的 csv 加载到 Spark Dataframe 中

lines = sc.textFile('tail5.csv')
parts = lines.map(lambda l : l.strip().split('\t'))
fnames = *some name list*
schemaData = StructType([StructField(fname, StringType(), True) for fname in fnames])
ddf = sqlContext.createDataFrame(parts,schemaData)

假设我使用 Spark 从新文件创建 DataFrame，并使用内置方法 toPandas() 将其转换为 pandas，

• 它是否将 Pandas 对象存储到本地内存中？
• Pandas 低级计算是否全部由 Spark 处理？
• 它是否公开了所有 pandas 数据框功能？（我猜是的）
• 我可以将其转换为 Pandas 并完成它，而无需太多接触 DataFrame API 吗？

Answer 1

使用一些 spark 上下文或 hive 上下文方法（sc.textFile()、hc.sql()）将数据“读入内存”会返回一个 RDD，但 RDD 保留在分布式内存中（工作节点上的内存），而不是主节点。所有 RDD 方法（rdd.map()、rdd.reduceByKey() 等）都设计为在工作节点上并行运行，但有一些例外。例如，如果您运行 rdd.collect() 方法，您最终会将 rdd 的内容从所有工作节点复制到主节点内存。因此，您失去了分布式计算优势（但仍然可以运行 rdd 方法）。

与 pandas 类似，当您运行 toPandas() 时，您会将数据帧从分布式（工作）内存复制到本地（主）内存，并失去大部分分布式计算能力。因此，一种可能的工作流程（我经常使用）可能是使用分布式计算方法将您的数据预先调整为合理的大小，然后转换为丰富的功能集的 Pandas 数据框。希望对您有所帮助。

Answer 2

使用 spark 将 CSV 文件读入 pandas 是一种相当迂回的方法，以实现将 CSV 文件读入内存的最终目标。

您似乎误解了此处所使用技术的用例。

Spark 用于分布式计算（尽管它可以在本地使用）。它通常过于繁重，无法用于简单地读取 CSV 文件。

在您的示例中，sc.textFile 方法只会为您提供一个 spark RDD，它实际上是一个文本行列表。这可能不是你想要的。不会执行类型推断，因此如果您想对 CSV 文件中的一列数字求和，您将无法这样做，因为就 Spark 而言，它们仍然是字符串。

只需使用 pandas.read_csv 并将整个 CSV 读入内存即可。 Pandas 会自动推断每列的类型。 Spark 不这样做。

现在回答你的问题：

是否将 Pandas 对象存储到本地内存中：

是的。 toPandas() 会将 Spark DataFrame 转换为 Pandas DataFrame，当然它在内存中。

Pandas 低级计算是否全部由 Spark 处理

没有。 Pandas 运行自己的计算，spark 和 pandas 之间没有相互作用，只是一些 API 兼容性。

它是否公开了所有 pandas 数据框功能？

没有。例如，Series 对象有一个 interpolate 方法，这在 PySpark Column 对象中不可用。 pandas API 中的许多方法和函数不在 PySpark API 中。

我可以将它转换为 Pandas 并完成它，而无需太多接触 DataFrame API 吗？

当然。事实上，在这种情况下，您甚至可能根本不应该使用 Spark。 pandas.read_csv 可能会处理您的用例，除非您处理的是大量数据。

尝试使用简单、技术含量低、易于理解的库来解决您的问题，并且仅在您需要时使用更复杂的东西。很多时候，您不需要更复杂的技术。