SparkでRDDオブジェクトをデータフレームに変換する方法


139

RDD(org.apache.spark.rdd.RDD[org.apache.spark.sql.Row])をデータフレームに変換するにはどうすればよいですかorg.apache.spark.sql.DataFrame。を使用してデータフレームをrddに変換しました.rdd。処理した後、データフレームに戻したい。これどうやってするの ?


回答:


88

SqlContext特定のcreateDataFrameを作成するメソッドがいくつかあります。これらの1つがあなたのコンテキストでうまくいくと思います。DataFrameRDD

例えば:

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

指定されたスキーマを使用して、行を含むRDDからDataFrameを作成します。


93

このコードはSpark 2.xからScala 2.11で完全に動作します

必要なクラスをインポートする

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

SparkSessionオブジェクトを作成し、ここにspark

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

RDDそれを作りましょうDataFrame

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))
  )
)

方法1

を使用しSparkSession.createDataFrame(RDD obj)ます。

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

方法2

SparkSession.createDataFrame(RDD obj)列名の使用と指定。

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

方法3(質問に対する実際の回答)

この方法では、入力rddのタイプが必要RDD[Row]です。

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)
  )
)

スキーマを作成する

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

今の両方を適用するrowsRddschemaしますcreateDataFrame()

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|
+------+----+----+

2
わかりやすい方法でcreateDataFrameを使用するさまざまな方法を示していただきありがとうございます
vatsug

3番目の方法は、他のユーザーが機能せずエラーを発生させるため、データブリックで役立ちます
Narendra Maru

67

RDD [row]がrddと呼ばれているとすると、以下を使用できます。

val sqlContext = new SQLContext(sc) 
import sqlContext.implicits._
rdd.toDF()

26
RDD [Row]では機能しないと思います。何か不足していますか?
ダニエル・デ・ポーラ

4
Spark 2.0 SQLContextはSparkSessionに置き換えられていますが、クラスは下位互換性のためにコードベースに保持されています(scaladoc)。これを使用すると、非推奨の警告がスローされます。
tomaskazemekas 2017年

18

注:この回答はもともとここに投稿されました

他の回答では見つけられなかった利用可能なオプションに関する追加の詳細を共有したいので、この回答を投稿します


行のRDDからDataFrameを作成するには、2つの主なオプションがあります。

1)すでに指摘したように、toDF()でインポートできるものを使用できますimport sqlContext.implicits._。ただし、このアプローチは次のタイプのRDDでのみ機能します。

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

(ソース: ScaladocSQLContext.implicits物体)

最後のシグネチャは実際には、タプルのRDDまたはケースクラスのRDDで機能することを意味します(タプルとケースクラスはのサブクラスであるためscala.Product)。

したがって、このアプローチをに使用するにはRDD[Row]、それをにマップする必要がありRDD[T <: scala.Product]ます。これを行うには、次のコードスニペットのように、各行をカスタムケースクラスまたはタプルにマッピングします。

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

または

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")

このアプローチの主な欠点(私の意見では)は、結果のDataFrameのスキーマをmap関数で列ごとに明示的に設定する必要があることです。スキーマが事前にわからない場合は、プログラムでこれを行うことができるかもしれませんが、状況が少し厄介になることがあります。したがって、代わりに、別のオプションがあります:


2)あなたは使用することができますcreateDataFrame(rowRDD: RDD[Row], schema: StructType)で利用可能で受け入れ答え、のようにSQLContextのオブジェクト。古いDataFrameのRDDを変換する例:

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

スキーマ列を明示的に設定する必要がないことに注意してください。StructTypeクラスであり、簡単に拡張できる古いDFのスキーマを再利用します。ただし、この方法が不可能な場合があり、場合によっては最初の方法よりも効率が悪くなることがあります。


詳細をありがとうimport sqlContext.implicits.
javadba 2017年

今後、複数の質問に同じ回答を投稿しないでください。質問が重複している場合は、1つの良い回答を投稿し、投票またはフラグを立てて、他の質問を重複として閉じます。質問が重複していない場合は、質問に対する回答を調整してください。良い答えを書くにはどうしたらいいですか?をご覧ください

15

がありDataFrame、フィールドデータをに変換することにより、フィールドデータを変更したいとしますRDD[Row]

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

戻って変換するDataFrameからRDD、我々が定義する必要が構造タイプのをRDD

データ型がそうだった場合は、構造のLong ようになりLongTypeます。

もしStringその後、StringType構造インチ

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

これで、createDataFrameメソッドを使用してRDDをDataFrameに変換できます。

val aNamedDF = sqlContext.createDataFrame(aRdd,aStruct)

7

リストをSpark RDDに変換し、そのSpark RDDをDataframeに変換する簡単な例を次に示します。

Sparkシェルのscala REPLを使用して次のコードを実行したことに注意してください。ここでscはSparkシェルで暗黙的に使用できるSparkContextのインスタンスです。それがあなたの質問に答えることを願っています。

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|
+---+

面白い事実:リストがint(またはLong、String、<:Product)ではなくDoubleの場合、これは機能しなくなります。
Rick Moritz

OPに応答しません:RDD [Row]について話します
javadba 2017年

6

方法1:(スカラ)

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")

方法2:(スカラ)

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()

方法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()

方法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()

行オブジェクトから値を抽出し、ケースクラスを適用してrddをDFに変換しました

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

4

Sparkの新しいバージョン(2.0以降)

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: _*)

1
sparkSessionはsqlContext、hiveContextのラッパーにすぎません
Archit

1
One needs to create a schema, and attach it to the Rdd.

val sparkはSparkSession.builderの製品であると想定しています...

    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 

同じ手順ですが、val宣言が少なくなっています。

    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

1

単語数の問題を使用して解決策を説明しようとしました。1. scを使用してファイルを読み取る

  1. 単語数を生成する
  2. DFを作成する方法

    • rdd.toDFメソッド
    • rdd.toDF( "単語"、 "数")
      • spark.createDataFrame(rdd、schema)

    Sparkを使用してファイルを読み取る

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

    データフレームへのRdd

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

    方法1

    ワードカウントRDDをデータフレームに作成

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

    方法2

    Rddからデータフレームを作成

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

    方法3

    スキーマを定義

    import org.apache.spark.sql.types._

    val schema = new StructType()。add(StructField( "word"、StringType、true))。add(StructField( "count"、StringType、true))

    RowRDDを作成する

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

    スキーマを使用してRDDからDataFrameを作成する

    val df = spark.createDataFrame(rowRdd、schema)
    df.show


0

Array [Row]をDataFrameまたはDatasetに変換するには、次の方法がエレガントに機能します。

たとえば、スキーマは行のStructTypeであり、

val rows: Array[Row]=...
implicit val encoder = RowEncoder.apply(schema)
import spark.implicits._
rows.toDS
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.