如何在 ipython 中将 Spark RDD 转换为 pandas 数据帧？答案

【问题标题】：How to convert Spark RDD to pandas dataframe in ipython?如何在 ipython 中将 Spark RDD 转换为 pandas 数据帧？
【发布时间】：2016-04-21 10:18:28
【问题描述】：

我有一个RDD，我想把它转换成pandasdataframe。我知道将 RDD 转换为普通的 dataframe 我们可以这样做

df = rdd1.toDF()

但我想将RDD 转换为pandas dataframe 而不是普通的dataframe。我该怎么做？

【问题讨论】：

标签： python pandas ipython pyspark rdd

【解决方案1】：

你可以使用函数toPandas():

以 Pandas pandas.DataFrame 的形式返回此 DataFrame 的内容。

仅当 Pandas 已安装且可用时才可用。

>>> df.toPandas()  
   age   name
0    2  Alice
1    5    Bob

【讨论】：

toDF() 和 toPandas() 有什么区别？
@jezrael，如何只转换spark df to pandas df的前10行？

【解决方案2】：

您必须使用 Spark DataFrame 作为 RDD 和所需 Pandas DataFrame 之间的中间步骤。

例如，假设我有一个文本文件 flights.csv，它已被读入 RDD：

flights = sc.textFile('flights.csv')

可以查看类型：

type(flights)
<class 'pyspark.rdd.RDD'>

如果你只是在 RDD 上使用toPandas()，它是行不通的。根据 RDD 中对象的格式，可能需要先进行一些处理才能转到 Spark DataFrame。在这个例子中，这段代码完成了这项工作：

# RDD to Spark DataFrame
sparkDF = flights.map(lambda x: str(x)).map(lambda w: w.split(',')).toDF()

#Spark DataFrame to Pandas DataFrame
pdsDF = sparkDF.toPandas()

可以查看类型：

type(pdsDF)
<class 'pandas.core.frame.DataFrame'>

【讨论】：

我认为pdsDF = sparkDF.toPandas 缺少 () 来实际调用该方法。应该是：pdsDF = sparkDF.toPandas()
toDF() 和 toPandas() 有什么区别？
toDF() 将 RDD 转换为 Spark DataFrame，toPandas() 将 Spark DataFrame 转换为 Pandas DataFrame。这两种DataFrame是不同的类型。

【解决方案3】：

我推荐 joshlk 的快速版 toPandas

import pandas as pd

def _map_to_pandas(rdds):
    """ Needs to be here due to pickling issues """
    return [pd.DataFrame(list(rdds))]

def toPandas(df, n_partitions=None):
    """
    Returns the contents of `df` as a local `pandas.DataFrame` in a speedy fashion. The DataFrame is
    repartitioned if `n_partitions` is passed.
    :param df:              pyspark.sql.DataFrame
    :param n_partitions:    int or None
    :return:                pandas.DataFrame
    """
    if n_partitions is not None: df = df.repartition(n_partitions)
    df_pand = df.rdd.mapPartitions(_map_to_pandas).collect()
    df_pand = pd.concat(df_pand)
    df_pand.columns = df.columns
    return df_pand

&lt;script src="https://gist.github.com/joshlk/871d58e01417478176e7.js"&gt;&lt;/script&gt;

【讨论】：