PySpark - 从 Numpy 矩阵创建 DataFrame

Question

我有一个 numpy 矩阵：

arr = np.array([[2,3], [2,8], [2,3],[4,5]])

我需要从 arr 创建一个 PySpark 数据框。我无法手动输入值，因为 arr 的 length/values 会动态变化，所以我需要将 arr 转换为数据框。

我尝试了以下代码但没有成功。

df= sqlContext.createDataFrame(arr,["A", "B"])

但是，我收到以下错误。

TypeError: Can not infer schema for type: <type 'numpy.ndarray'>

Answer 1

import numpy as np
from pyspark.ml.linalg import Vectors
arr = np.array([[2,3], [2,8], [2,3],[4,5]])
df = np.concatenate(arr).reshape(1000,-1)
dff = map(lambda x: (int(x[0]), Vectors.dense(x[1:])), df)
mydf = spark.createDataFrame(dff,schema=["label", "features"])
mydf.show(5)

Answer 2

import numpy as np

#sample data
arr = np.array([[2,3], [2,8], [2,3],[4,5]])

rdd1 = sc.parallelize(arr)
rdd2 = rdd1.map(lambda x: [int(i) for i in x])
df = rdd2.toDF(["A", "B"])
df.show()

输出为：

+---+---+
|  A|  B|
+---+---+
|  2|  3|
|  2|  8|
|  2|  3|
|  4|  5|
+---+---+

Answer 3

无需使用 RDD API。只需：

mat = np.random.random((10,3))
cols = ["ColA","ColB","ColC"]
df = spark.createDataFrame(mat.tolist(), cols)
df.show()