在 zeppelin 中将 pandas 数据帧转换为 spark 数据帧答案

【问题标题】：converting pandas dataframes to spark dataframe in zeppelin在 zeppelin 中将 pandas 数据帧转换为 spark 数据帧
【发布时间】：2016-01-03 03:46:02
【问题描述】：

我是 zeppelin 的新手。我有一个用例，其中我有一个 pandas 数据框。我需要使用 zeppelin 的内置图表来可视化集合我这里没有明确的方法。我的理解是使用 zeppelin，如果它是 RDD 格式，我们可以将数据可视化。所以，我想将 pandas 数据帧转换为 spark 数据帧，然后进行一些查询（使用 sql），我将可视化。首先，我尝试将 pandas 数据帧转换为 spark's 但我失败了

%pyspark
import pandas as pd
from pyspark.sql import SQLContext
print sc
df = pd.DataFrame([("foo", 1), ("bar", 2)], columns=("k", "v"))
print type(df)
print df
sqlCtx = SQLContext(sc)
sqlCtx.createDataFrame(df).show()

我得到了以下错误

Traceback (most recent call last): File "/tmp/zeppelin_pyspark.py", 
line 162, in <module> eval(compiledCode) File "<string>", 
line 8, in <module> File "/home/bala/Software/spark-1.5.0-bin-hadoop2.6/python/pyspark/sql/context.py", 
line 406, in createDataFrame rdd, schema = self._createFromLocal(data, schema) File "/home/bala/Software/spark-1.5.0-bin-hadoop2.6/python/pyspark/sql/context.py", 
line 322, in _createFromLocal struct = self._inferSchemaFromList(data) File "/home/bala/Software/spark-1.5.0-bin-hadoop2.6/python/pyspark/sql/context.py", 
line 211, in _inferSchemaFromList schema = _infer_schema(first) File "/home/bala/Software/spark-1.5.0-bin-hadoop2.6/python/pyspark/sql/types.py", 
line 829, in _infer_schema raise TypeError("Can not infer schema for type: %s" % type(row)) 
TypeError: Can not infer schema for type: <type 'str'>

有人可以帮我吗？另外，如果我在任何地方错了，请纠正我。

【问题讨论】：

标签： pandas apache-spark dataframe apache-zeppelin

【解决方案1】：

以下适用于 Zeppelin 0.6.0、Spark 1.6.2 和 Python 3.5.2：

%pyspark
import pandas as pd
df = pd.DataFrame([("foo", 1), ("bar", 2)], columns=("k", "v"))
z.show(sqlContext.createDataFrame(df))

呈现为：

【讨论】：

【解决方案2】：

我刚刚将您的代码复制并粘贴到笔记本中，它可以工作。

%pyspark
import pandas as pd
from pyspark.sql import SQLContext
print sc
df = pd.DataFrame([("foo", 1), ("bar", 2)], columns=("k", "v"))
print type(df)
print df
sqlCtx = SQLContext(sc)
sqlCtx.createDataFrame(df).show()

<pyspark.context.SparkContext object at 0x10b0a2b10>
<class 'pandas.core.frame.DataFrame'>
     k  v
0  foo  1
1  bar  2
+---+-+
|  k|v|
+---+-+
|foo|1|
|bar|2|
+---+-+

我正在使用这个版本： zeppelin-0.5.0-incubating-bin-spark-1.4.0_hadoop-2.3.tgz

【讨论】：

【解决方案3】：

尝试在 bash 中设置 SPARK_HOME 和 PYTHONPATH 变量，然后重新运行它

    export SPARK_HOME=path to spark
    export PYTHONPATH=$SPARK_HOME/python:$SPARK_HOME/python/build:$PYTHONPATH
    export PYTHONPATH=$SPARK_HOME/python/lib/py4j-0.8.2.1-src.zip:$PYTHONPATH

【讨论】：