pyspark ：将 DataFrame 转换为 RDD[string]

Question

我想将 pyspark.sql.dataframe.DataFrame 转换为 pyspark.rdd.RDD[String]

我将 DataFrame df 转换为 RDD data:

data = df.rdd
type (data)
## pyspark.rdd.RDD

新的 RDD data 包含 Row

first = data.first()
type(first)
## pyspark.sql.types.Row

data.first()
Row(_c0=u'aaa', _c1=u'bbb', _c2=u'ccc', _c3=u'ddd')

我想将 Row 转换为 String 的列表，如下例所示：

u'aaa',u'bbb',u'ccc',u'ddd'

谢谢

Answer 1

PySpark Row 只是一个 tuple，可以这样使用。您在这里只需要一个简单的 map（或者 flatMap，如果您也想压平行）和 list:

data.map(list)

或者如果您期望不同的类型：

data.map(lambda row: [str(c) for c in row])

Answer 2

接受的答案是旧的。使用 Spark 2.0，您现在必须通过在语句中添加 .rdd 来明确声明您正在转换为 rdd。因此，在 Spark 1.0 中相当于这个语句：

data.map(list)

现在应该是：

data.rdd.map(list)

在 Spark 2.0 中。与 .

中已接受的答案相关

pyspark : Convert DataFrame to RDD[string]