web-dev-qa-db-ja.com

Apacheでのpysparkによるデータフレーム転置Spark

次の構造を持つデータフレームdfがあります。

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

そして、このデータフレームの転置を計算して、次のようにします

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

私はこの2つのソリューションを結びましたが、それはデータフレームが指定された使用されたメソッドを持っていないことを返します：

方法1：

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

方法2：

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

どうすれば修正できますか。

pythonapache-sparkdataframepysparktranspose
9
Mèhdi Ben Hamida

データが転置するのに十分に小さい場合（集約でピボットされていない場合）は、単にPandas DataFrameに変換できます。

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

これに対して大きすぎる場合、Sparkは役に立ちません。Spark DataFrameは、データを行ごとに分散します（ただし、ローカルで列ストレージを使用します）したがって、個々の行のサイズはローカルメモリに制限されます。

12
Alper t. Turker