Como converter objeto rdd em dataframe no spark

139

Como posso converter um RDD ( org.apache.spark.rdd.RDD[org.apache.spark.sql.Row]) em um Dataframe org.apache.spark.sql.DataFrame. Eu converti um dataframe para rdd usando .rdd. Depois de processá-lo, quero-o novamente no dataframe. Como posso fazer isso ?

user568109
fonte
maneira de conseguir isso em 2.x faísca
mrsrinivas

Respostas:

88

SqlContexttem vários createDataFramemétodos que criam um DataFramedado RDD. Eu imagino que um deles funcione para o seu contexto.

Por exemplo:

def createDataFrame(rowRDD: RDD[Row], schema: StructType): DataFrame

Cria um DataFrame a partir de um RDD contendo Linhas usando o esquema fornecido.

O Arquetípico Paulo
fonte
93

Esse código funciona perfeitamente no Spark 2.x com Scala 2.11

Importar classes necessárias

import org.apache.spark.sql.{Row, SparkSession}
import org.apache.spark.sql.types.{DoubleType, StringType, StructField, StructType}

Criar SparkSessionobjeto, e aqui estáspark

val spark: SparkSession = SparkSession.builder.master("local").getOrCreate
val sc = spark.sparkContext // Just used to create test RDDs

Vamos RDDfazer issoDataFrame

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))
  )
)

Método 1

Usando 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]|
+------+--------------------+

Método 2

Usando SparkSession.createDataFrame(RDD obj)e especificando nomes de colunas.

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]|
+------+--------------------+

Método 3 (resposta real à pergunta)

Dessa forma, a entrada rdddeve ser do tipo 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)
  )
)

crie o esquema

val schema = new StructType()
  .add(StructField("id", StringType, true))
  .add(StructField("val1", DoubleType, true))
  .add(StructField("val2", DoubleType, true))

Agora aplique tanto rowsRdde schemaparacreateDataFrame()

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|
+------+----+----+
mrsrinivas
fonte
2
Obrigado por mostrar as diferentes formas de utilização createDataFrame de uma forma compreensível
vatsug
O terceiro método é útil em tijolos de dados como os outros não estão trabalhando e dando um erro
Narendra Maru
67

Supondo que seu RDD [linha] seja chamado rdd, você pode usar:

val sqlContext = new SQLContext(sc) 
import sqlContext.implicits._
rdd.toDF()
dtjones
fonte
26
Eu acho que não funciona para RDD [Row]. Estou faltando alguma coisa?
Daniel de Paula
4
Desde o Spark 2.0, o SQLContext é substituído pelo SparkSession, mas a classe é mantida na base de código para compatibilidade com versões anteriores (scaladoc). Usá-lo lança um aviso de descontinuação.
tomaskazemekas
18

Nota: Esta resposta foi originalmente publicada aqui

Estou postando esta resposta porque gostaria de compartilhar detalhes adicionais sobre as opções disponíveis que não encontrei nas outras respostas


Para criar um DataFrame a partir de um RDD de linhas, existem duas opções principais:

1) Como já mencionado, você pode usar o toDF()que pode ser importado por import sqlContext.implicits._. No entanto, essa abordagem funciona apenas para os seguintes tipos de RDDs:

  • RDD[Int]
  • RDD[Long]
  • RDD[String]
  • RDD[T <: scala.Product]

(fonte: Scaladoc do SQLContext.implicitsobjeto)

A última assinatura realmente significa que pode funcionar para um RDD de tuplas ou um RDD de classes de caso (porque tuplas e classes de caso são subclasses de scala.Product).

Portanto, para usar essa abordagem para um RDD[Row], você deve mapeá-lo para um RDD[T <: scala.Product]. Isso pode ser feito mapeando cada linha para uma classe de caso personalizada ou uma tupla, como nos seguintes trechos de código:

val df = rdd.map({ 
  case Row(val1: String, ..., valN: Long) => (val1, ..., valN)
}).toDF("col1_name", ..., "colN_name")

ou

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")

A principal desvantagem dessa abordagem (na minha opinião) é que você precisa definir explicitamente o esquema do DataFrame resultante na função de mapa, coluna por coluna. Talvez isso possa ser feito através de programação se você não conhecer o esquema com antecedência, mas as coisas podem ficar um pouco confusas por lá. Então, como alternativa, existe outra opção:


2) Você pode usar createDataFrame(rowRDD: RDD[Row], schema: StructType)como na resposta aceita, disponível no objeto SQLContext . Exemplo para converter um RDD de um DataFrame antigo:

val rdd = oldDF.rdd
val newDF = oldDF.sqlContext.createDataFrame(rdd, oldDF.schema)

Observe que não há necessidade de definir explicitamente nenhuma coluna de esquema. Reutilizamos o esquema antigo do DF, que é de StructTypeclasse e pode ser facilmente estendido. No entanto, essa abordagem às vezes não é possível e, em alguns casos, pode ser menos eficiente que a primeira.

Daniel de Paula
fonte
Obrigado pelo detalheimport sqlContext.implicits.
javadba
No futuro, não poste respostas idênticas para várias perguntas. Se as perguntas forem duplicatas, publique uma boa resposta e vote ou sinalize para fechar a outra pergunta como duplicada. Se a pergunta não for duplicada, adapte suas respostas à pergunta. Consulte Como escrevo uma boa resposta? .
15

Suponha que você tenha um DataFramee deseje fazer alguma modificação nos dados dos campos, convertendo-os para RDD[Row].

val aRdd = aDF.map(x=>Row(x.getAs[Long]("id"),x.getAs[List[String]]("role").head))

Para converter de volta para DataFramepartir RDD, precisamos definir o tipo de estrutura do RDD.

Se o tipo de dados foi Long , ele se tornará como LongTypena estrutura.

Se Stringentão StringTypena estrutura.

val aStruct = new StructType(Array(StructField("id",LongType,nullable = true),StructField("role",StringType,nullable = true)))

Agora você pode converter o RDD em DataFrame usando o método createDataFrame .

val aNamedDF = sqlContext.createDataFrame(aRdd,aStruct)
Ajay Gupta
fonte
7

Aqui está um exemplo simples de converter sua lista em Spark RDD e, em seguida, converter esse Spark RDD em Dataframe.

Observe que eu usei o scala REPL do Spark-shell para executar o seguinte código: Aqui sc é uma instância do SparkContext que está implicitamente disponível no Spark-shell. Espero que ele responda sua pergunta.

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|
+---+
Rashmit Rathod
fonte
Um fato interessante: isso para de funcionar, quando sua Lista é Double, em vez de int (ou Long, String, <: Product).
Rick Moritz
Não responde à OP: que fala sobre RDD [Row]
javadba
6

Método 1: (Scala)

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")

Método 2: (Scala)

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()

Método 1: (Python)

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()

Método 2: (Python)

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()

Extraiu o valor do objeto de linha e aplicou a classe de caso para converter rdd em DF

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
Aravind Krishnakumar
fonte
4

Nas versões mais recentes do spark (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: _*)
ozzieisaacs
fonte
1
sparkSession é apenas um wrapper para SqlContext, hiveContext
Archit
1
One needs to create a schema, and attach it to the Rdd.

Supondo que val spark seja um produto de um SparkSession.builder ...

    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 

Mesmas etapas, mas com menos declarações val:

    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
teserecter
fonte
1

Tentei explicar a solução usando o problema de contagem de palavras . 1. Leia o arquivo usando sc

  1. Produzir contagem de palavras
  2. Métodos para criar DF

    • método rdd.toDF
    • rdd.toDF ("word", "count")
      • spark.createDataFrame (rdd, esquema)

    Ler arquivo usando o spark

    val rdd=sc.textFile("D://cca175/data/")  

    Rdd para Dataframe

    val df = sc.textFile ("D: // cca175 / data /") .toDF ("t1") df.show

    Método 1

    Criar RDD de contagem de palavras no Dataframe

    val df=rdd.flatMap(x=>x.split(" ")).map(x=>(x,1)).reduceByKey((x,y)=>(x+y)).toDF("word","count")

    Método2

    Criar Dataframe a partir do Rdd

    val df=spark.createDataFrame(wordRdd) 
    # with header   
    val df=spark.createDataFrame(wordRdd).toDF("word","count")  df.show

    Método3

    Definir esquema

    importar org.apache.spark.sql.types._

    esquema de val = novo StructType (). add (StructField ("word", StringType, true)). add (StructField ("count", StringType, true))

    Criar RowRDD

    import org.apache.spark.sql.Row
    val rowRdd=wordRdd.map(x=>(Row(x._1,x._2)))     

    Criar DataFrame a partir do RDD com esquema

    val df = spark.createDataFrame (rowRdd, esquema)
    df.show

Priyanshu Singh
fonte
0

Para converter uma matriz [linha] em DataFrame ou conjunto de dados, o seguinte funciona de maneira elegante:

Digamos, o esquema é o StructType da linha e, em seguida,

val rows: Array[Row]=...
implicit val encoder = RowEncoder.apply(schema)
import spark.implicits._
rows.toDS
Tom
fonte