在 Apache Spark 中使用 pyspark 转置 Dataframe

Question

我有一个具有以下结构的数据框 df：

+-----+-----+-----+-------+
|  s  |col_1|col_2|col_...|
+-----+-----+-----+-------+
| f1  |  0.0|  0.6|  ...  |
| f2  |  0.6|  0.7|  ...  |
| f3  |  0.5|  0.9|  ...  |
|  ...|  ...|  ...|  ...  |

我想计算这个数据帧的转置，所以它看起来像

+-------+-----+-----+-------+------+
|  s    | f1  | f2  | f3    |   ...|
+-------+-----+-----+-------+------+
|col_1  |  0.0|  0.6|  0.5  |   ...|
|col_2  |  0.6|  0.7|  0.9  |   ...|
|col_...|  ...|  ...|  ...  |   ...|

我将这两个解决方案联系在一起，但是 returns 数据框没有指定的使用方法：

方法一：

 for x in df.columns:
    df = df.pivot(x)

方法二：

df = sc.parallelize([ (k,) + tuple(v[0:]) for k,v in df.items()]).toDF()

我该如何解决这个问题。

Answer 1

如果数据小到可以转置（不通过聚合旋转），您可以将其转换为 Pandas DataFrame:

df = sc.parallelize([
    ("f1", 0.0, 0.6, 0.5),
    ("f2", 0.6, 0.7, 0.9)]).toDF(["s", "col_1", "col_2", "col_3"])

df.toPandas().set_index("s").transpose()
s       f1   f2
col_1  0.0  0.6
col_2  0.6  0.7
col_3  0.5  0.9

如果它太大了，Spark 将无济于事。 Spark DataFrame 按行分布数据（尽管本地使用列式存储），因此单个行的大小限于本地内存。

Answer 2

您可以通过数据块试用 Koalas。 Koalas 类似于 Pandas，但用于分布式处理并在 Pyspark 中可用（至少从 3.0.0 开始）。

kdf = df.to_koalas()
kdf_t = kdf.transpose()
df_T = kdf_t.to_spark()

编辑：要有效访问 Koalas，您需要定义分区，否则会严重降低性能。

在 Apache Spark 中使用 pyspark 转置 Dataframe

Dataframe transpose with pyspark in Apache Spark

python

transpose

dataframe

apache-spark

pyspark