Pyspark 将标准列表转换为数据框

Question

案例非常简单，我需要使用以下代码将python列表转换为数据框

from pyspark.sql.types import StructType
from pyspark.sql.types import StructField
from pyspark.sql.types import StringType, IntegerType

schema = StructType([StructField("value", IntegerType(), True)])
my_list = [1, 2, 3, 4]
rdd = sc.parallelize(my_list)
df = sqlContext.createDataFrame(rdd, schema)

df.show()

失败并出现以下错误：

    raise TypeError("StructType can not accept object %r in type %s" % (obj, type(obj)))
TypeError: StructType can not accept object 1 in type <class 'int'>

Answer 1

请看下面的代码：

    from pyspark.sql import Row
    li=[1,2,3,4]
    rdd1 = sc.parallelize(li)
    row_rdd = rdd1.map(lambda x: Row(x))
    df=sqlContext.createDataFrame(row_rdd,['numbers']).show()

df

+-------+
|numbers|
+-------+
|      1|
|      2|
|      3|
|      4|
+-------+

Answer 2

这个解决方案也是一种使用更少代码的方法，避免序列化为 RDD，并且可能更容易理解：

from pyspark.sql.types import IntegerType

# notice the variable name (more below)
mylist = [1, 2, 3, 4]

# notice the parens after the type name
spark.createDataFrame(mylist, IntegerType()).show()

注意：关于命名变量 list：术语 list 是一个 Python 内置函数，因此，强烈建议我们避免使用内置名称作为 name/label 用于我们的变量，因为我们最终会覆盖 list() 函数之类的东西。当快速而肮脏地制作原型时，许多人使用类似的东西：mylist.

Pyspark 将标准列表转换为数据框

Pyspark convert a standard list to data frame

python

apache-spark

pyspark

pyspark-sql