답변:
SqlContext
주어진 createDataFrame
을 만드는 많은 메소드가 있습니다 . 나는 이것들 중 하나가 당신의 상황에 효과적이라고 생각합니다.DataFrame
RDD
예를 들면 다음과 같습니다.
def createDataFrame(rowRDD: RDD[Row], schema: StructType): DataFrame
지정된 스키마를 사용하여 행을 포함하는 RDD에서 DataFrame을 만듭니다.
이 코드는 Scala 2.11의 Spark 2.x 에서 완벽하게 작동합니다.
필요한 수업 가져 오기
import org.apache.spark.sql.{Row, SparkSession}
import org.apache.spark.sql.types.{DoubleType, StringType, StructField, StructType}
SparkSession
객체 만들기 , 여기 있습니다spark
val spark: SparkSession = SparkSession.builder.master("local").getOrCreate
val sc = spark.sparkContext // Just used to create test RDDs
RDD
그것을 만들어 보자DataFrame
val rdd = sc.parallelize(
Seq(
("first", Array(2.0, 1.0, 2.1, 5.4)),
("test", Array(1.5, 0.5, 0.9, 3.7)),
("choose", Array(8.0, 2.9, 9.1, 2.5))
)
)
사용 SparkSession.createDataFrame(RDD obj)
.
val dfWithoutSchema = spark.createDataFrame(rdd)
dfWithoutSchema.show()
+------+--------------------+
| _1| _2|
+------+--------------------+
| first|[2.0, 1.0, 2.1, 5.4]|
| test|[1.5, 0.5, 0.9, 3.7]|
|choose|[8.0, 2.9, 9.1, 2.5]|
+------+--------------------+
SparkSession.createDataFrame(RDD obj)
열 이름 사용 및 지정
val dfWithSchema = spark.createDataFrame(rdd).toDF("id", "vals")
dfWithSchema.show()
+------+--------------------+
| id| vals|
+------+--------------------+
| first|[2.0, 1.0, 2.1, 5.4]|
| test|[1.5, 0.5, 0.9, 3.7]|
|choose|[8.0, 2.9, 9.1, 2.5]|
+------+--------------------+
이 방법을 사용하려면 입력 rdd
유형이 있어야합니다 RDD[Row]
.
val rowsRdd: RDD[Row] = sc.parallelize(
Seq(
Row("first", 2.0, 7.0),
Row("second", 3.5, 2.5),
Row("third", 7.0, 5.9)
)
)
스키마를 만듭니다
val schema = new StructType()
.add(StructField("id", StringType, true))
.add(StructField("val1", DoubleType, true))
.add(StructField("val2", DoubleType, true))
이제 모두 적용 rowsRdd
과 schema
에를createDataFrame()
val df = spark.createDataFrame(rowsRdd, schema)
df.show()
+------+----+----+
| id|val1|val2|
+------+----+----+
| first| 2.0| 7.0|
|second| 3.5| 2.5|
| third| 7.0| 5.9|
+------+----+----+
RDD [row]가 rdd라고 가정하면 다음을 사용할 수 있습니다.
val sqlContext = new SQLContext(sc)
import sqlContext.implicits._
rdd.toDF()
다른 답변에서 찾지 못한 사용 가능한 옵션에 대한 추가 정보를 공유하고 싶기 때문에이 답변을 게시하고 있습니다.
RDD 행에서 DataFrame을 만들려면 다음 두 가지 주요 옵션이 있습니다.
1) 이미 지적했듯이에 toDF()
의해 가져올 수있는 것을 사용할 수 있습니다 import sqlContext.implicits._
. 그러나이 방법은 다음 유형의 RDD에만 적용됩니다.
RDD[Int]
RDD[Long]
RDD[String]
RDD[T <: scala.Product]
(출처 : Scaladoc of the SQLContext.implicits
object)
마지막 서명은 실제로 튜플의 RDD 또는 케이스 클래스의 RDD에서 작동 할 수 있음을 의미합니다 (튜플 및 케이스 클래스는의 서브 클래스이므로 scala.Product
).
따라서이 접근 방식을에 사용하려면 접근 방식을 RDD[Row]
에 매핑해야합니다 RDD[T <: scala.Product]
. 다음 코드 스 니펫에서와 같이 각 행을 사용자 정의 케이스 클래스 또는 튜플에 맵핑하여이를 수행 할 수 있습니다.
val df = rdd.map({
case Row(val1: String, ..., valN: Long) => (val1, ..., valN)
}).toDF("col1_name", ..., "colN_name")
또는
case class MyClass(val1: String, ..., valN: Long = 0L)
val df = rdd.map({
case Row(val1: String, ..., valN: Long) => MyClass(val1, ..., valN)
}).toDF("col1_name", ..., "colN_name")
이 접근법의 주요 단점은 필자가 맵 함수에서 결과적으로 DataFrame의 스키마를 열 단위로 명시 적으로 설정해야한다는 것입니다. 스키마를 미리 모르는 경우 프로그래밍 방식으로 수행 할 수는 있지만 약간 혼란 스러울 수 있습니다. 따라서 다른 옵션이 있습니다.
2) SQLContext 객체 createDataFrame(rowRDD: RDD[Row], schema: StructType)
에서 사용할 수있는 허용 된 답변과 같이 사용할 수 있습니다 . 이전 DataFrame의 RDD를 변환하는 예 :
val rdd = oldDF.rdd
val newDF = oldDF.sqlContext.createDataFrame(rdd, oldDF.schema)
스키마 열을 명시 적으로 설정할 필요가 없습니다. 우리는 이전 DF의 스키마를 재사용합니다. StructType
클래스 는 클래스이며 쉽게 확장 할 수 있습니다. 그러나이 방법은 때로는 불가능하며 경우에 따라 첫 번째 방법보다 효율성이 떨어질 수 있습니다.
import sqlContext.implicits.
a가 DataFrame
있고로 변환하여 필드 데이터를 수정하려고 한다고 가정하십시오 RDD[Row]
.
val aRdd = aDF.map(x=>Row(x.getAs[Long]("id"),x.getAs[List[String]]("role").head))
다시 변환하려면 DataFrame
에서 RDD
우리는 정의 할 필요가 구조 유형 의를 RDD
.
데이터 유형이 구조에있는 Long
것처럼 LongType
됩니다.
만약 String
다음 StringType
구조이다.
val aStruct = new StructType(Array(StructField("id",LongType,nullable = true),StructField("role",StringType,nullable = true)))
이제 createDataFrame 메소드를 사용하여 RDD를 DataFrame으로 변환 할 수 있습니다 .
val aNamedDF = sqlContext.createDataFrame(aRdd,aStruct)
다음은 List를 Spark RDD로 변환 한 다음 해당 Spark RDD를 데이터 프레임으로 변환하는 간단한 예입니다.
Spark-shell의 scala REPL을 사용하여 다음 코드를 실행했습니다. 여기서 sc는 Spark-shell에서 암시 적으로 사용 가능한 SparkContext의 인스턴스입니다. 그것이 당신의 질문에 대답하기를 바랍니다.
scala> val numList = List(1,2,3,4,5)
numList: List[Int] = List(1, 2, 3, 4, 5)
scala> val numRDD = sc.parallelize(numList)
numRDD: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[80] at parallelize at <console>:28
scala> val numDF = numRDD.toDF
numDF: org.apache.spark.sql.DataFrame = [_1: int]
scala> numDF.show
+---+
| _1|
+---+
| 1|
| 2|
| 3|
| 4|
| 5|
+---+
방법 1 : (스칼라)
val sqlContext = new org.apache.spark.sql.SQLContext(sc)
import sqlContext.implicits._
val df_2 = sc.parallelize(Seq((1L, 3.0, "a"), (2L, -1.0, "b"), (3L, 0.0, "c"))).toDF("x", "y", "z")
방법 2 : (스칼라)
case class temp(val1: String,val3 : Double)
val rdd = sc.parallelize(Seq(
Row("foo", 0.5), Row("bar", 0.0)
))
val rows = rdd.map({case Row(val1:String,val3:Double) => temp(val1,val3)}).toDF()
rows.show()
방법 1 : (파이썬)
from pyspark.sql import Row
l = [('Alice',2)]
Person = Row('name','age')
rdd = sc.parallelize(l)
person = rdd.map(lambda r:Person(*r))
df2 = sqlContext.createDataFrame(person)
df2.show()
방법 2 : (파이썬)
from pyspark.sql.types import *
l = [('Alice',2)]
rdd = sc.parallelize(l)
schema = StructType([StructField ("name" , StringType(), True) ,
StructField("age" , IntegerType(), True)])
df3 = sqlContext.createDataFrame(rdd, schema)
df3.show()
행 객체에서 값을 추출한 다음 케이스 클래스를 적용하여 rdd를 DF로 변환
val temp1 = attrib1.map{case Row ( key: Int ) => s"$key" }
val temp2 = attrib2.map{case Row ( key: Int) => s"$key" }
case class RLT (id: String, attrib_1 : String, attrib_2 : String)
import hiveContext.implicits._
val df = result.map{ s => RLT(s(0),s(1),s(2)) }.toDF
최신 버전의 스파크 (2.0+)
import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.functions._
import org.apache.spark.sql._
import org.apache.spark.sql.types._
val spark = SparkSession
.builder()
.getOrCreate()
import spark.implicits._
val dfSchema = Seq("col1", "col2", "col3")
rdd.toDF(dfSchema: _*)
One needs to create a schema, and attach it to the Rdd.
val spark는 SparkSession.builder의 제품이라고 가정합니다 ...
import org.apache.spark._
import org.apache.spark.sql._
import org.apache.spark.sql.types._
/* Lets gin up some sample data:
* As RDD's and dataframes can have columns of differing types, lets make our
* sample data a three wide, two tall, rectangle of mixed types.
* A column of Strings, a column of Longs, and a column of Doubules
*/
val arrayOfArrayOfAnys = Array.ofDim[Any](2,3)
arrayOfArrayOfAnys(0)(0)="aString"
arrayOfArrayOfAnys(0)(1)=0L
arrayOfArrayOfAnys(0)(2)=3.14159
arrayOfArrayOfAnys(1)(0)="bString"
arrayOfArrayOfAnys(1)(1)=9876543210L
arrayOfArrayOfAnys(1)(2)=2.71828
/* The way to convert an anything which looks rectangular,
* (Array[Array[String]] or Array[Array[Any]] or Array[Row], ... ) into an RDD is to
* throw it into sparkContext.parallelize.
* http://spark.apache.org/docs/latest/api/scala/index.html#org.apache.spark.SparkContext shows
* the parallelize definition as
* def parallelize[T](seq: Seq[T], numSlices: Int = defaultParallelism)
* so in our case our ArrayOfArrayOfAnys is treated as a sequence of ArraysOfAnys.
* Will leave the numSlices as the defaultParallelism, as I have no particular cause to change it.
*/
val rddOfArrayOfArrayOfAnys=spark.sparkContext.parallelize(arrayOfArrayOfAnys)
/* We'll be using the sqlContext.createDataFrame to add a schema our RDD.
* The RDD which goes into createDataFrame is an RDD[Row] which is not what we happen to have.
* To convert anything one tall and several wide into a Row, one can use Row.fromSeq(thatThing.toSeq)
* As we have an RDD[somethingWeDontWant], we can map each of the RDD rows into the desired Row type.
*/
val rddOfRows=rddOfArrayOfArrayOfAnys.map(f=>
Row.fromSeq(f.toSeq)
)
/* Now to construct our schema. This needs to be a StructType of 1 StructField per column in our dataframe.
* https://spark.apache.org/docs/latest/api/scala/index.html#org.apache.spark.sql.types.StructField shows the definition as
* case class StructField(name: String, dataType: DataType, nullable: Boolean = true, metadata: Metadata = Metadata.empty)
* Will leave the two default values in place for each of the columns:
* nullability as true,
* metadata as an empty Map[String,Any]
*
*/
val schema = StructType(
StructField("colOfStrings", StringType) ::
StructField("colOfLongs" , LongType ) ::
StructField("colOfDoubles", DoubleType) ::
Nil
)
val df=spark.sqlContext.createDataFrame(rddOfRows,schema)
/*
* +------------+----------+------------+
* |colOfStrings|colOfLongs|colOfDoubles|
* +------------+----------+------------+
* | aString| 0| 3.14159|
* | bString|9876543210| 2.71828|
* +------------+----------+------------+
*/
df.show
동일한 단계이지만 val 선언이 적습니다.
val arrayOfArrayOfAnys=Array(
Array("aString",0L ,3.14159),
Array("bString",9876543210L,2.71828)
)
val rddOfRows=spark.sparkContext.parallelize(arrayOfArrayOfAnys).map(f=>Row.fromSeq(f.toSeq))
/* If one knows the datatypes, for instance from JDBC queries as to RDBC column metadata:
* Consider constructing the schema from an Array[StructField]. This would allow looping over
* the columns, with a match statement applying the appropriate sql datatypes as the second
* StructField arguments.
*/
val sf=new Array[StructField](3)
sf(0)=StructField("colOfStrings",StringType)
sf(1)=StructField("colOfLongs" ,LongType )
sf(2)=StructField("colOfDoubles",DoubleType)
val df=spark.sqlContext.createDataFrame(rddOfRows,StructType(sf.toList))
df.show
단어 개수 문제를 사용하여 솔루션을 설명하려고했습니다 . sc를 사용하여 파일을 읽습니다.
DF를 만드는 방법
val rdd=sc.textFile("D://cca175/data/")
val df = sc.textFile ( "D : // cca175 / data /") .toDF ( "t1") df.show
val df=rdd.flatMap(x=>x.split(" ")).map(x=>(x,1)).reduceByKey((x,y)=>(x+y)).toDF("word","count")
val df=spark.createDataFrame(wordRdd)
# with header
val df=spark.createDataFrame(wordRdd).toDF("word","count") df.show
import org.apache.spark.sql.types._
val schema = new StructType (). 추가 (StructField ( "word", StringType, true)). 추가 (StructField ( "count", StringType, true))
import org.apache.spark.sql.Row
val rowRdd=wordRdd.map(x=>(Row(x._1,x._2)))
val df = spark.createDataFrame (rowRdd, schema)
df.show