PySpark DataFrames - 在不转换为 Pandas 的情况下进行枚举的方法？答案

【问题标题】：PySpark DataFrames - way to enumerate without converting to Pandas?PySpark DataFrames - 在不转换为 Pandas 的情况下进行枚举的方法？
【发布时间】：2015-12-22 00:42:17
【问题描述】：

我有一个非常大的 pyspark.sql.dataframe.DataFrame，名为 df。我需要某种枚举记录的方法——因此，能够访问具有特定索引的记录。（或选择具有索引范围的记录组）

在熊猫中，我可以只做

indexes=[2,3,6,7] 
df[indexes]

这里我想要类似的东西，（并且没有将数据框转换为熊猫）

我能到达的最近的是：

通过以下方式枚举原始数据框中的所有对象：
```
indexes=np.arange(df.count())
df_indexed=df.withColumn('index', indexes)
```
- 使用 where() 函数搜索我需要的值。

问题：

为什么它不起作用以及如何使它起作用？如何向数据框添加一行？

以后可以做类似的东西吗：

 indexes=[2,3,6,7] 
 df1.where("index in indexes").collect()

有没有更快更简单的处理方法？

【问题讨论】：

标签： python apache-spark bigdata pyspark rdd

【解决方案1】：

它不起作用，因为：

withColumn 的第二个参数应该是 Column 而不是集合。 np.array 在这里不起作用
当您将 "index in indexes" 作为 SQL 表达式传递给 where 时，indexes 超出范围且未解析为有效标识符

PySpark >= 1.4.0

~~您可以使用相应的窗口函数添加行号，并使用Column.isin 方法或格式正确的查询字符串进行查询：~~

from pyspark.sql.functions import col, rowNumber
from pyspark.sql.window import Window

w = Window.orderBy()
indexed = df.withColumn("index", rowNumber().over(w))

# Using DSL
indexed.where(col("index").isin(set(indexes)))

# Using SQL expression
indexed.where("index in ({0})".format(",".join(str(x) for x in indexes)))

看起来像在没有PARTITION BY 子句的情况下调用的窗口函数将所有数据移动到单个分区，所以上面可能不是最好的解决方案。

有没有更快更简单的处理方法？

不是真的。 Spark DataFrames 不支持随机行访问。

PairedRDD 可以使用lookup 方法访问，如果使用HashPartitioner 对数据进行分区，则该方法相对较快。还有一个支持高效查找的indexed-rdd 项目。

编辑：

独立于 PySpark 版本，您可以尝试以下操作：

from pyspark.sql import Row
from pyspark.sql.types import StructType, StructField, LongType

row = Row("char")
row_with_index = Row("char", "index")

df = sc.parallelize(row(chr(x)) for x in range(97, 112)).toDF()
df.show(5)

## +----+
## |char|
## +----+
## |   a|
## |   b|
## |   c|
## |   d|
## |   e|
## +----+
## only showing top 5 rows

# This part is not tested but should work and save some work later
schema  = StructType(
    df.schema.fields[:] + [StructField("index", LongType(), False)])

indexed = (df.rdd # Extract rdd
    .zipWithIndex() # Add index
    .map(lambda ri: row_with_index(*list(ri[0]) + [ri[1]])) # Map to rows
    .toDF(schema)) # It will work without schema but will be more expensive

# inSet in Spark < 1.3
indexed.where(col("index").isin(indexes))

【讨论】：

你好@zero323，我试过sn-p。一切正常，除了 indexed.where(col("index").inSet(indexes)) 不起作用。它为我返回TypeError: 'Column' object is not callable。如果我想查询多个索引，你有关于 sn-p 的更新吗？

【解决方案2】：

如果您想要一个保证不会发生冲突但不需要.over(partitionBy()) 的数字范围，那么您可以使用monotonicallyIncreasingId()。

from pyspark.sql.functions import monotonicallyIncreasingId
df.select(monotonicallyIncreasingId().alias("rowId"),"*")

请注意，这些值并不是特别“整洁”。每个分区都有一个值范围，输出不会是连续的。例如。 0, 1, 2, 8589934592, 8589934593, 8589934594。

这是 2015 年 4 月 28 日添加到 Spark 的：https://github.com/apache/spark/commit/d94cd1a733d5715792e6c4eac87f0d5c81aebbe2

【讨论】：

【解决方案3】：

您当然可以添加一个用于索引的数组，一个您选择的数组：在 Scala 中，首先我们需要创建一个索引数组：

val index_array=(1 to df.count.toInt).toArray

index_array: Array[Int] = Array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)

您现在可以将此列附加到您的 DF。首先，为此，您需要打开我们的 DF 并将其作为一个数组获取，然后将其与您的 index_array 一起压缩，然后我们将新数组转换回 RDD。最后一步是将其作为 DF：

final_df = sc.parallelize((df.collect.map(
    x=>(x(0),x(1))) zip index_array).map(
    x=>(x._1._1.toString,x._1._2.toString,x._2))).
    toDF("column_name")

之后索引会更清晰。

【讨论】：

【解决方案4】：

from pyspark.sql.functions import monotonically_increasing_id
df.withColumn("Atr4", monotonically_increasing_id())

如果您只需要增量值（如 ID）并且没有限制数字必须是连续的，你可以使用 monotonically_increasing_id()。使用时的唯一保证功能是每行的值都会增加，但是，每次执行时，值本身可能会有所不同。

【讨论】：

【解决方案5】：

monotonicallyIncreasingId() - 这将按递增顺序而不是按顺序分配行号。

2 列的示例输出：

|---------------------|------------------| | RowNo | Heading 2 | |---------------------|------------------| | 1 | xy | |---------------------|------------------| | 12 | xz | |---------------------|------------------|

如果您想分配行号，请使用以下技巧。

在 spark-2.0.1 和更高版本中测试。

df.createOrReplaceTempView("df") dfRowId = spark.sql("select *, row_number() over (partition by 0) as rowNo from df")

2 列的示例输出：

|---------------------|------------------| | RowNo | Heading 2 | |---------------------|------------------| | 1 | xy | |---------------------|------------------| | 2 | xz | |---------------------|------------------|

希望这会有所帮助。

【讨论】：

【解决方案6】：

选择 Pyspark DataFrame 的单行 n，尝试：

df.where(df.id == n).show()

给定一个 Pyspark 数据帧：

df = spark.createDataFrame([(1, 143.5, 5.6, 28, 'M', 100000),\
                          (2, 167.2, 5.4, 45, 'M', None),\
                          (3, None , 5.2, None, None, None),\
                          ], ['id', 'weight', 'height', 'age', 'gender', 'income'])

选择第三行，试试：

df.where('id == 3').show()

或者：

df.where(df.id == 3).show()

选择具有行 ID 的多行（在本例中为第 2 行和第 3 行），尝试：

id = {"2", "3"}
df.where(df.id.isin(id)).show()

【讨论】：

这个答案被否决了，因为它没有解释如何创建 id 列。