ご覧のように、あなたが行っているこの方法が機能しないのはなぜですか。まず、行タイプから整数を取得しようとしています。収集の出力は次のようになります。
>>> mvv_list = mvv_count_df.select('mvv').collect()
>>> mvv_list[0]
Out: Row(mvv=1)
あなたがこのようなものを取るなら:
>>> firstvalue = mvv_list[0].mvv
Out: 1
mvv
値を取得します。配列のすべての情報が必要な場合は、次のようにすることができます。
>>> mvv_array = [int(row.mvv) for row in mvv_list.collect()]
>>> mvv_array
Out: [1,2,3,4]
しかし、他の列で同じことを試みると、次のようになります。
>>> mvv_count = [int(row.count) for row in mvv_list.collect()]
Out: TypeError: int() argument must be a string or a number, not 'builtin_function_or_method'
これcount
は、が組み込みメソッドであるために発生します。また、列の名前はと同じcount
です。これを回避するには、の列名をcount
に変更します_count
。
>>> mvv_list = mvv_list.selectExpr("mvv as mvv", "count as _count")
>>> mvv_count = [int(row._count) for row in mvv_list.collect()]
ただし、ディクショナリ構文を使用して列にアクセスできるため、この回避策は必要ありません。
>>> mvv_array = [int(row['mvv']) for row in mvv_list.collect()]
>>> mvv_count = [int(row['count']) for row in mvv_list.collect()]
そして、それは最終的に動作します!
list(df.select('mvv').toPandas()['mvv'])
。 Arrowは、toPandas
大幅にスピードアップしたPySparkに統合されました。Spark 2.3以降を使用している場合は、他のアプローチを使用しないでください。ベンチマークの詳細については、私の回答を参照してください。