时间戳

首页 > 解决方案 > rdd 上的映射如何在 pyspark 中工作？

pyspark - rdd 上的映射如何在 pyspark 中工作？

问题描述

当我遇到这个时，我正在学习 pyspark。

from pyspark.sql import Row
df = spark.createDataFrame([Row([0,45,63,0,0,0,0]),
                           Row([0,0,0,85,0,69,0]),
                           Row([0,89,56,0,0,0,0])],
                           ['features'])

+--------------------+
|            features|
+--------------------+ 
|[0, 45, 63, 0, 0,...|
|[0, 0, 0, 85, 0, ...|
|[0, 89, 56, 0, 0,...|
+--------------------+

sample = df.rdd.map(lambda row: row[0]*2)
sample.collect()

[[0, 45, 63, 0, 0, 0, 0, 0, 45, 63, 0, 0, 0, 0],
[0, 0, 0, 85, 0, 69, 0, 0, 0, 0, 85, 0, 69, 0],
[0, 89, 56, 0, 0, 0, 0, 0, 89, 56, 0, 0, 0, 0]]

我的问题是为什么 row[0] 被视为一个完整的列表而不是一个值？给出上述输出的属性是什么

标签： pysparkapache-spark-sqlrdd

解决方案

它被视为您提供的完整列表，并且您还在“功能”一列下定义了它

当你说

df.rdd.map(lambda row: row[0]*2)

您只是在询问 spark “我希望此列表中的所有值出现两次”。因此，您将获得您正在获得的输出。

现在如何获取列表中的单个值。

df = spark.createDataFrame([Row(0,45,63,0,0,0,0),
                       Row(0,0,0,85,0,69,0),
                       Row(0,89,56,0,0,0,0)],
                       ['feature1' , 'feature2' , 'feature3' , 'feature4', 'feature5' , 'feature6' , 'feature7'])

这应该使您可以访问专用列中的各个值。

注意：模式的语法只是表示。请参阅 spark 文档以获取确切的语法。

希望这可以帮助 ：）

推荐阅读