如何合并 pyspark 和 pandas 数据框

Question

我有一个非常大的 pyspark 数据框和一个较小的 pandas 数据框，如下所示：

df1 = spark.read.csv("/user/me/data1/")
df2 = pd.read_csv("data2.csv")

两个数据框都包含标记为“A”和“B”的列。我想创建另一个 pyspark 数据框，其中只有来自df1 的那些行，其中“A”和“B”列中的条目出现在df2 中具有相同名称的那些列中。即使用df2的“A”和“B”列过滤df1。

通常我认为这是一个连接（使用merge 实现）但是 如何将 pandas 数据框与 pyspark 数据框连接起来？

我无法将 df1 转换为 pandas 数据框。

Answer 1

您可以使用此代码 sn-p 获得帮助：

df1 = spark.read.csv("/user/me/data1/")
df2 = pd.read_csv("data2.csv", keep_default_na=False)
df3 = df = sqlContext.createDataFrame(df2, schema)
df = df1.join(df3, ["A", "B"])

Answer 2

您可以在从 pandas 数据帧转换为 pyspark 数据帧时传递架构，如下所示：

from pyspark.sql.types import *
schema = StructType([
StructField("name", StringType(), True),
StructField("age", IntegerType(), True)])
df = sqlContext.createDataFrame(pandas_dataframe, schema)

或者你可以使用我在这个函数中使用的 hack：

def create_spark_dataframe(file_name):
    """
    will return the spark dataframe input pandas dataframe
    """
    pandas_data_frame = pd.read_csv(file_name)
    for col in pandas_data_frame.columns:
      if ((pandas_data_frame[col].dtypes != np.int64) & (pandas_data_frame[col].dtypes != np.float64)):
        pandas_data_frame[col] = pandas_data_frame[col].fillna('')

    spark_data_frame = sqlContext.createDataFrame(pandas_data_frame)
    return spark_data_frame