将管道 RDD 转换为 Spark 数据帧

Question

从这里开始：

items.take(2)
[['home', 'alone', 'apparently'], ['st','louis','plant','close','die','old','age','workers','making','cars','since','onset','mass','automotive','production','1920s']]

type(items)
pyspark.rdd.PipelinedRDD

我想将它转换成一个 Spark 数据框，每个单词列表有一列和一行。

Answer 1

您可以使用 toDF 创建数据框，但请记住先将每个列表包装在一个列表中，这样 Spark 才能理解您的每一行只有一列。

df = items.map(lambda x: [x]).toDF(['words'])

df.show(truncate=False)
+------------------------------------------------------------------------------------------------------------------+
|words                                                                                                             |
+------------------------------------------------------------------------------------------------------------------+
|[home, alone, apparently]                                                                                         |
|[st, louis, plant, close, die, old, age, workers, making, cars, since, onset, mass, automotive, production, 1920s]|
+------------------------------------------------------------------------------------------------------------------+

df.printSchema()
root
 |-- words: array (nullable = true)
 |    |-- element: string (containsNull = true)

将管道 RDD 转换为 Spark 数据帧

Convert a Pipeline RDD into a Spark dataframe

python

dataframe

apache-spark

rdd

pyspark