为几列创建具有空值的DataFrame

Question

我正在尝试使用 RDD 创建一个 DataFrame。

首先，我使用以下代码创建了一个 RDD -

val account = sc.parallelize(Seq(
                                 (1, null, 2,"F"), 
                                 (2, 2, 4, "F"),
                                 (3, 3, 6, "N"),
                                 (4,null,8,"F")))

工作正常 -

account: org.apache.spark.rdd.RDD[(Int, Any, Int, String)] = ParallelCollectionRDD[0] at parallelize at :27

但是当尝试使用以下代码从 RDD 创建 DataFrame 时

account.toDF("ACCT_ID", "M_CD", "C_CD","IND")

我低于错误

java.lang.UnsupportedOperationException: Schema for type Any is not supported

我分析过，每当我将 null 值放入 Seq 时，只有我得到错误。

有没有办法添加空值？

Answer 1

问题是 Any 类型太笼统，Spark 不知道如何序列化它。您应该明确提供一些特定类型，在您的情况下 Integer。由于在 Scala 中不能将 null 分配给基本类型，因此您可以使用 java.lang.Integer 代替。所以试试这个：

val account = sc.parallelize(Seq(
                                 (1, null.asInstanceOf[Integer], 2,"F"), 
                                 (2, new Integer(2), 4, "F"),
                                 (3, new Integer(3), 6, "N"),
                                 (4, null.asInstanceOf[Integer],8,"F")))

这是一个输出：

rdd: org.apache.spark.rdd.RDD[(Int, Integer, Int, String)] = ParallelCollectionRDD[0] at parallelize at <console>:24

以及对应的DataFrame：

scala> val df = rdd.toDF("ACCT_ID", "M_CD", "C_CD","IND")

df: org.apache.spark.sql.DataFrame = [ACCT_ID: int, M_CD: int ... 2 more fields]

scala> df.show
+-------+----+----+---+
|ACCT_ID|M_CD|C_CD|IND|
+-------+----+----+---+
|      1|null|   2|  F|
|      2|   2|   4|  F|
|      3|   3|   6|  N|
|      4|null|   8|  F|
+-------+----+----+---+

您还可以考虑一些更简洁的方法来声明空整数值，例如：

object Constants {
  val NullInteger: java.lang.Integer = null
}

Answer 2

不使用 RDD 的替代方法：

import spark.implicits._

val df = spark.createDataFrame(Seq(
  (1, None,    2, "F"),
  (2, Some(2), 4, "F"),
  (3, Some(3), 6, "N"),
  (4, None,    8, "F")
)).toDF("ACCT_ID", "M_CD", "C_CD","IND")

df.show
+-------+----+----+---+
|ACCT_ID|M_CD|C_CD|IND|
+-------+----+----+---+
|      1|null|   2|  F|
|      2|   2|   4|  F|
|      3|   3|   6|  N|
|      4|null|   8|  F|
+-------+----+----+---+

df.printSchema
root
 |-- ACCT_ID: integer (nullable = false)
 |-- M_CD: integer (nullable = true)
 |-- C_CD: integer (nullable = false)
 |-- IND: string (nullable = true)

为几列创建具有空值的DataFrame

Create DataFrame with null value for few column

scala

apache-spark

spark-dataframe

apache-spark-dataset