PySpark如何将CSV读入数据帧，并对其进行操作

Question

我对pyspark非常陌生，正在尝试使用它来处理一个保存为csv文件的大型数据集。我想将CSV文件读入spark dataframe，删除一些列，然后添加新列。我该怎么做呢？

我在将这些数据放入数据帧时遇到了问题。这是我目前所学内容的精简版本：

def make_dataframe(data_portion, schema, sql):
    fields = data_portion.split(",")
    return sql.createDateFrame([(fields[0], fields[1])], schema=schema)

if __name__ == "__main__":
    sc = SparkContext(appName="Test")
    sql = SQLContext(sc)

    ...

    big_frame = data.flatMap(lambda line: make_dataframe(line, schema, sql))
                .reduce(lambda a, b: a.union(b))

    big_frame.write \
        .format("com.databricks.spark.redshift") \
        .option("url", "jdbc:redshift://<...>") \
        .option("dbtable", "my_table_copy") \
        .option("tempdir", "s3n://path/for/temp/data") \
        .mode("append") \
        .save()

    sc.stop()

这会在reduce步骤中产生一个错误TypeError: 'JavaPackage' object is not callable。

有可能做到这一点吗？reducing to a dataframe的想法是能够将结果数据写入数据库(Redshift，使用spark-redshift包)。

我也尝试过在partial()中使用unionAll()和map()，但都不能正常工作。

我使用亚马逊的EMR、spark-redshift_2.10:2.0.0和亚马逊的JDBC driver RedshiftJDBC41-1.1.17.1017.jar来运行它。

Answer 1

更新-在评论中回答你的问题：

将数据从CSV读取到数据帧：您似乎只尝试将CSV文件读取到spark数据帧中。

如果是这样的话--我的答案是：https://stackoverflow.com/a/37640154/5088142覆盖这个。

下面的代码应该将CSV读入spark-data-frame

import pyspark
sc = pyspark.SparkContext()
sql = SQLContext(sc)

df = (sql.read
         .format("com.databricks.spark.csv")
         .option("header", "true")
         .load("/path/to_csv.csv"))

// these lines are equivalent in Spark 2.0 - using [SparkSession][1]
from pyspark.sql import SparkSession

spark = SparkSession \
    .builder \
    .appName("Python Spark SQL basic example") \
    .config("spark.some.config.option", "some-value") \
    .getOrCreate()

spark.read.format("csv").option("header", "true").load("/path/to_csv.csv") 
spark.read.option("header", "true").csv("/path/to_csv.csv")

drop列

您可以使用" drop (col)“https://spark.apache.org/docs/1.6.2/api/python/pyspark.sql.html删除列

drop(col)

Returns a new DataFrame that drops the specified column.
Parameters: col – a string name of the column to drop, or a Column to drop.

>>> df.drop('age').collect()
[Row(name=u'Alice'), Row(name=u'Bob')]

>>> df.drop(df.age).collect()
[Row(name=u'Alice'), Row(name=u'Bob')]

>>> df.join(df2, df.name == df2.name, 'inner').drop(df.name).collect()
[Row(age=5, height=85, name=u'Bob')]

>>> df.join(df2, df.name == df2.name, 'inner').drop(df2.name).collect()
[Row(age=5, name=u'Bob', height=85)]

添加列您可以使用"withColumn“https://spark.apache.org/docs/1.6.2/api/python/pyspark.sql.html

withColumn(colName，col)

Returns a new DataFrame by adding a column or replacing the existing column that has the same name.
Parameters: 

    colName – string, name of the new column.
    col – a Column expression for the new column.

>>> df.withColumn('age2', df.age + 2).collect()
[Row(age=2, name=u'Alice', age2=4), Row(age=5, name=u'Bob', age2=7)]

注意: spark还有很多其他的功能可以使用(例如，你可以使用"select“而不是"drop")