web-dev-qa-db-ja.com

Pandas DataFrameをSpark DataFrameに変換する

scipyスパース行列をpyspark.sql.dataframe.DataFrameに変換する の方法について以前に質問し、提供された回答と この記事 を読んだ後、ある程度の進歩を遂げました=。最終的に、scipy.sparse.csc_matrixをpandasデータフレームに変換するための次のコードに到達しました:

df = pd.DataFrame(csc_mat.todense()).to_sparse(fill_value=0)
df.columns = header

次に、提案された構文を使用して、pandasデータフレームをsparkデータフレームに変換してみました:

spark_df = sqlContext.createDataFrame(df)

ただし、次のエラーが返されます。

ValueError: cannot create an RDD from type: <type 'list'>

ほぼ同じサイズの別のpandasデータフレームをsparkデータフレームに変換できたので、sqlContextとは何の関係もないと思います。問題。何か考えはありますか?

7
Dirigo

この質問が現在のバージョンのpySparkにまだ関連しているかどうかはわかりませんが、この質問を投稿してから数週間後に解決した解決策を次に示します。コードはかなり醜く、おそらく非効率的ですが、この質問に引き続き関心があるため、ここに投稿します。

from pyspark import SparkContext
from pyspark.sql import HiveContext
from pyspark import SparkConf
from py4j.protocol import Py4JJavaError

myConf = SparkConf(loadDefaults=True)
sc = SparkContext(conf=myConf)
hc = HiveContext(sc)


def chunks(lst, k):
    """Yield k chunks of close to equal size"""
    n = len(lst) / k
    for i in range(0, len(lst), n):
        yield lst[i: i + n]


def reconstruct_rdd(lst, num_parts):
    partitions = chunks(lst, num_parts)
    for part in range(0, num_parts - 1):
        print "Partition ", part, " started..."
        partition = next(partitions)    # partition is a list of lists
        if part == 0:
            prime_rdd = sc.parallelize(partition)
        else:
            second_rdd = sc.parallelize(partition)
            prime_rdd = prime_rdd.union(second_rdd)
        print "Partition ", part, " complete!"
    return prime_rdd


def build_col_name_list(len_cols):
    name_lst = []
    for i in range(1, len_cols):
        idx = "_" + str(i)
        name_lst.append(idx)
    return name_lst


def set_spark_df_header(header, sdf):
    oldColumns = build_col_name_lst(len(sdf.columns))
    newColumns = header
    sdf = reduce(lambda sdf, idx: sdf.withColumnRenamed(oldColumns[idx], newColumns[idx]), xrange(len(oldColumns)), sdf)
    return sdf


def convert_pdf_matrix_to_sdf(pdf, sdf_header, num_of_parts):
    try:
        sdf = hc.createDataFrame(pdf)
    except ValueError:
        lst = pdf.values.tolist()   #Need to convert to list of list to parallelize
        try:
            rdd = sc.parallelize(lst)
        except Py4JJavaError:
            rdd = reconstruct_rdd(lst, num_of_parts)
            sdf = hc.createDataFrame(rdd)
            sdf = set_spark_df_header(sdf_header, sdf)
    return sdf
1
Dirigo

to_sparse(fill_value=0)は基本的に廃止されています。標準のバリアントを使用するだけです

sqlContext.createDataFrame(pd.DataFrame(csc_mat.todense()))

タイプに互換性がある限り、問題はありません。

0
user10136015