スパークでrddオブジェクトをデータフレームに変換する方法
RDD（org.Apache.spark.rdd.RDD[org.Apache.spark.sql.Row]）をデータフレームorg.Apache.spark.sql.DataFrameに変換する方法.rddを使ってデータフレームをrddに変換しました。それを処理した後、私はそれをデータフレームに戻したいです。これどうやってするの ？
SqlContext はcreateDataFrameを指定してDataFrameを作成するRDDメソッドをいくつか持っています。私はこれらのうちの1つがあなたの文脈のために働くと想像します。
例えば：
def createDataFrame(rowRDD: RDD[Row], schema: StructType): DataFrame
指定されたスキーマを使用して、行を含むRDDからDataFrameを作成します。
あなたのRDD [row]がrddであると仮定すると、あなたは次のものを使うことができます。
val sqlContext = new SQLContext(sc)
import sqlContext.implicits._
rdd.toDF()
このコードは Spark 2.x with Scala 2.11から完璧に動作します
必要なクラスをインポートする
import org.Apache.spark.sql.{Row, SparkSession}
import org.Apache.spark.sql.types.{DoubleType, StringType, StructField, StructType}
SparkSessionオブジェクトを作成します。ここではsparkです
val spark: SparkSession = SparkSession.builder.master("local").getOrCreate
val sc = spark.sparkContext // Just used to create test RDDs
それをRDDにするためにDataFrameをましょう。
val rdd = sc.parallelize(
Seq(
("first", Array(2.0, 1.0, 2.1, 5.4)),
("test", Array(1.5, 0.5, 0.9, 3.7)),
("choose", Array(8.0, 2.9, 9.1, 2.5))
)
)
方法1
SparkSession.createDataFrame(RDD obj)を使う.
val dfWithoutSchema = spark.createDataFrame(rdd)
dfWithoutSchema.show()
+------+--------------------+
| _1| _2|
+------+--------------------+
| first|[2.0, 1.0, 2.1, 5.4]|
| test|[1.5, 0.5, 0.9, 3.7]|
|choose|[8.0, 2.9, 9.1, 2.5]|
+------+--------------------+
方法2
SparkSession.createDataFrame(RDD obj)を使用して列名を指定する。
val dfWithSchema = spark.createDataFrame(rdd).toDF("id", "vals")
dfWithSchema.show()
+------+--------------------+
| id| vals|
+------+--------------------+
| first|[2.0, 1.0, 2.1, 5.4]|
| test|[1.5, 0.5, 0.9, 3.7]|
|choose|[8.0, 2.9, 9.1, 2.5]|
+------+--------------------+
方法3（実際の質問に対する回答）
この方法では、入力rddはRDD[Row]型でなければなりません。
val rowsRdd: RDD[Row] = sc.parallelize(
Seq(
Row("first", 2.0, 7.0),
Row("second", 3.5, 2.5),
Row("third", 7.0, 5.9)
)
)
スキーマを作成する
val schema = new StructType()
.add(StructField("id", StringType, true))
.add(StructField("val1", DoubleType, true))
.add(StructField("val2", DoubleType, true))
今rowsRddとschemaの両方をcreateDataFrame()に適用します
val df = spark.createDataFrame(rowsRdd, schema)
df.show()
+------+----+----+
| id|val1|val2|
+------+----+----+
| first| 2.0| 7.0|
|second| 3.5| 2.5|
| third| 7.0| 5.9|
+------+----+----+
あなたがDataFrameを持っていて、それをRDD[Row]に変換することによってフィールドデータを修正したいとしましょう。
val aRdd = aDF.map(x=>Row(x.getAs[Long]("id"),x.getAs[List[String]]("role").head))
DataFrameからRDDに戻すには、RDDの 構造体型 を定義する必要があります。
データ型がLongの場合、構造体のLongTypeとなります。
StringならばStringType構造体です。
val aStruct = new StructType(Array(StructField("id",LongType,nullable = true),StructField("role",StringType,nullable = true)))
これで、 createDataFrame メソッドを使用してRDDをDataFrameに変換できます。
val aNamedDF = sqlContext.createDataFrame(aRdd,aStruct)
注：この回答はもともと投稿された here
私が他の回答で見つけられなかった利用可能なオプションに関する追加の詳細を共有したいので、私はこの回答を投稿しています
行のRDDからDataFrameを作成するには、2つの主なオプションがあります。
1） すでに指摘したように、import sqlContext.implicits._でインポートできるtoDF()を使うことができます。ただし、この方法は次の種類のRDDでのみ機能します。
RDD[Int]RDD[Long]RDD[String]RDD[T <: scala.Product]
（出典： ScaladocSQLContext.implicitsオブジェクトの）
最後のシグネチャは、実際には、それがタプルのRDDまたはケースクラスのRDDで機能できることを意味します（タプルとケースクラスはscala.Productのサブクラスであるため）。
したがって、このアプローチをRDD[Row]に使用するには、それをRDD[T <: scala.Product]にマップする必要があります。これは、次のコードスニペットのように、各行をカスタムケースクラスまたはTupleにマッピングすることで実行できます。
val df = rdd.map({
case Row(val1: String, ..., valN: Long) => (val1, ..., valN)
}).toDF("col1_name", ..., "colN_name")
または
case class MyClass(val1: String, ..., valN: Long = 0L)
val df = rdd.map({
case Row(val1: String, ..., valN: Long) => MyClass(val1, ..., valN)
}).toDF("col1_name", ..., "colN_name")
このアプローチの主な欠点（私の意見では）は、結果として得られるDataFrameのスキーマを列ごとに明示的にmap関数に設定する必要があることです。スキーマを事前に知らない場合は、これをプログラム的に行うことができますが、そこでは少し面倒になることがあります。そのため、別の方法があります。
2） あなたは SQLContext オブジェクトで利用可能な、受け入れられた答えのようにcreateDataFrame(rowRDD: RDD[Row], schema: StructType)を使うことができます。古いDataFrameのRDDを変換する例
val rdd = oldDF.rdd
val newDF = oldDF.sqlContext.createDataFrame(rdd, oldDF.schema)
スキーマ列を明示的に設定する必要はないことに注意してください。私達はStructTypeクラスで、簡単に拡張できる古いDFのスキーマを再利用します。ただし、この方法は不可能な場合があり、場合によっては最初の方法よりも効率が悪くなることがあります。
これは、リストをSpark RDDに変換してから、そのSpark RDDをDataframeに変換する簡単な例です。
次のコードを実行するためにSpark-Shellのscala REPLを使用したことに注意してください。ここでscはSpark-Shellで暗黙的に利用可能なSparkContextのインスタンスです。それがあなたの質問に答えることを願っています。
scala> val numList = List(1,2,3,4,5)
numList: List[Int] = List(1, 2, 3, 4, 5)
scala> val numRDD = sc.parallelize(numList)
numRDD: org.Apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[80] at parallelize at <console>:28
scala> val numDF = numRDD.toDF
numDF: org.Apache.spark.sql.DataFrame = [_1: int]
scala> numDF.show
+---+
| _1|
+---+
| 1|
| 2|
| 3|
| 4|
| 5|
+---+
方法1：（スカラ）
val sqlContext = new org.Apache.spark.sql.SQLContext(sc)
import sqlContext.implicits._
val df_2 = sc.parallelize(Seq((1L, 3.0, "a"), (2L, -1.0, "b"), (3L, 0.0, "c"))).toDF("x", "y", "z")
方法2：（スカラ）
case class temp(val1: String,val3 : Double)
val rdd = sc.parallelize(Seq(
Row("foo", 0.5), Row("bar", 0.0)
))
val rows = rdd.map({case Row(val1:String,val3:Double) => temp(val1,val3)}).toDF()
rows.show()
方法1：（Python）
from pyspark.sql import Row
l = [('Alice',2)]
Person = Row('name','age')
rdd = sc.parallelize(l)
person = rdd.map(lambda r:Person(*r))
df2 = sqlContext.createDataFrame(person)
df2.show()
方法2：（Python）
from pyspark.sql.types import *
l = [('Alice',2)]
rdd = sc.parallelize(l)
schema = StructType([StructField ("name" , StringType(), True) ,
StructField("age" , IntegerType(), True)])
df3 = sqlContext.createDataFrame(rdd, schema)
df3.show()
行オブジェクトから値を抽出し、ケース・クラスを適用してrddをDFに変換します。
val temp1 = attrib1.map{case Row ( key: Int ) => s"$key" }
val temp2 = attrib2.map{case Row ( key: Int) => s"$key" }
case class RLT (id: String, attrib_1 : String, attrib_2 : String)
import hiveContext.implicits._
val df = result.map{ s => RLT(s(0),s(1),s(2)) }.toDF
新しいバージョンのspark（2.0以降）について。これはsqlcontextが利用可能でなくても動作します。
import org.Apache.spark.sql.SparkSession
import org.Apache.spark.sql.functions._
import org.Apache.spark.sql._
import org.Apache.spark.sql.types._
val spark = SparkSession
.builder()
.getOrCreate()
import spark.implicits._
val dfSchema = Seq("col1", "col2", "col3")
rdd.toDF(dfSchema: _*)
One needs to create a schema, and attach it to the Rdd.
Val sparkがSparkSession.builderの産物であると仮定します...
import org.Apache.spark._
import org.Apache.spark.sql._
import org.Apache.spark.sql.types._
/* Lets gin up some sample data:
* As RDD's and dataframes can have columns of differing types, lets make our
* sample data a three wide, two tall, rectangle of mixed types.
* A column of Strings, a column of Longs, and a column of Doubules
*/
val arrayOfArrayOfAnys = Array.ofDim[Any](2,3)
arrayOfArrayOfAnys(0)(0)="aString"
arrayOfArrayOfAnys(0)(1)=0L
arrayOfArrayOfAnys(0)(2)=3.14159
arrayOfArrayOfAnys(1)(0)="bString"
arrayOfArrayOfAnys(1)(1)=9876543210L
arrayOfArrayOfAnys(1)(2)=2.71828
/* The way to convert an anything which looks rectangular,
* (Array[Array[String]] or Array[Array[Any]] or Array[Row], ... ) into an RDD is to
* throw it into sparkContext.parallelize.
* http://spark.Apache.org/docs/latest/api/scala/index.html#org.Apache.spark.SparkContext shows
* the parallelize definition as
* def parallelize[T](seq: Seq[T], numSlices: Int = defaultParallelism)
* so in our case our ArrayOfArrayOfAnys is treated as a sequence of ArraysOfAnys.
* Will leave the numSlices as the defaultParallelism, as I have no particular cause to change it.
*/
val rddOfArrayOfArrayOfAnys=spark.sparkContext.parallelize(arrayOfArrayOfAnys)
/* We'll be using the sqlContext.createDataFrame to add a schema our RDD.
* The RDD which goes into createDataFrame is an RDD[Row] which is not what we happen to have.
* To convert anything one tall and several wide into a Row, one can use Row.fromSeq(thatThing.toSeq)
* As we have an RDD[somethingWeDontWant], we can map each of the RDD rows into the desired Row type.
*/
val rddOfRows=rddOfArrayOfArrayOfAnys.map(f=>
Row.fromSeq(f.toSeq)
)
/* Now to construct our schema. This needs to be a StructType of 1 StructField per column in our dataframe.
* https://spark.Apache.org/docs/latest/api/scala/index.html#org.Apache.spark.sql.types.StructField shows the definition as
* case class StructField(name: String, dataType: DataType, nullable: Boolean = true, metadata: Metadata = Metadata.empty)
* Will leave the two default values in place for each of the columns:
* nullability as true,
* metadata as an empty Map[String,Any]
*
*/
val schema = StructType(
StructField("colOfStrings", StringType) ::
StructField("colOfLongs" , LongType ) ::
StructField("colOfDoubles", DoubleType) ::
Nil
)
val df=spark.sqlContext.createDataFrame(rddOfRows,schema)
/*
* +------------+----------+------------+
* |colOfStrings|colOfLongs|colOfDoubles|
* +------------+----------+------------+
* | aString| 0| 3.14159|
* | bString|9876543210| 2.71828|
* +------------+----------+------------+
*/
df.show
同じ手順ですが、val宣言が少なくなります。
val arrayOfArrayOfAnys=Array(
Array("aString",0L ,3.14159),
Array("bString",9876543210L,2.71828)
)
val rddOfRows=spark.sparkContext.parallelize(arrayOfArrayOfAnys).map(f=>Row.fromSeq(f.toSeq))
/* If one knows the datatypes, for instance from JDBC queries as to RDBC column metadata:
* Consider constructing the schema from an Array[StructField]. This would allow looping over
* the columns, with a match statement applying the appropriate sql datatypes as the second
* StructField arguments.
*/
val sf=new Array[StructField](3)
sf(0)=StructField("colOfStrings",StringType)
sf(1)=StructField("colOfLongs" ,LongType )
sf(2)=StructField("colOfDoubles",DoubleType)
val df=spark.sqlContext.createDataFrame(rddOfRows,StructType(sf.toList))
df.show
Array [Row]をDataFrameまたはDatasetに変換するには、次のようにします。
たとえば、schemaがその行のStructTypeであるとします。
val rows: Array[Row]=...
implicit val encoder = RowEncoder.apply(schema)
import spark.implicits._
rows.toDS