python - 动态构建大型数据框(spark 或 pandas)以导出到 csv 的方法
问题描述
我有一个使用 spark.read 导入数据块的 csv。这个大文件包含每天的记录/交易。我将数据框缩减为 5 列,并保持 500,000 行不变。我正在尝试构建此源文件的汇总表,以一个月级别(汇总)表示这些记录/交易。
该脚本有一个 filter/groupby/sum 命令,它返回一行,将数据汇总为一个月的计数。查询返回的行如下所示:
+---------+---------+-------+-------------+
| Country|StockCode|YYYY-MM|sum(Quantity)|
+---------+---------+-------+-------------+
|Singapore| M| 2011-4| 10|
+---------+---------+-------+-------------+
该脚本遍历源数据帧并每次返回。我无法使用此脚本的输出(显示或 csv 导出)。在 pyspark 和 pandas 中我都有问题。我不确定如何堆叠查询结果以及它应该采用什么形式?
#Pandas 如果我在 pandas 中执行此操作,脚本生成文件需要很长时间(我相信 pandas + 我这样做效率不高导致持续时间延长)~ 2.5 小时。display 和 write.csv 命令的运行速度相当快,并且在大约几秒钟内完成。
#Pyspark 如果我在 pyspark 中执行此操作,脚本大约需要 10 分钟才能完成,但显示和导出会崩溃。笔记本要么返回超时错误,要么重新启动,要么引发崩溃错误。
该方法是否应该是动态创建列表列表,并在完全构建后将其转换为数据框以供使用?我一直在尝试我遇到的所有方法,但我似乎没有取得任何进展。
这是生成结果的代码
#officeSummaryDFBefore
column_names = "Country|StockCode|YYYY-MM|Quantity"
monthlyCountsBeforeImpactDate = spark.createDataFrame(
[
tuple('' for i in column_names.split("|"))
],
column_names.split("|")
).where("1=0")
monthlyCountsBeforeImpacteDateRow = spark.createDataFrame(
[
tuple('' for i in column_names.split("|"))
],
column_names.split("|")
).where("1=0")
try :
for country in country_lookup :
country = country[0]
print(country_count, " country(s) left")
country_count = country_count - 1
for stockCode in stockCode_lookup :
stockCode = stockCode[0]
monthlyCountsBeforeImpacteDateRow = dataBeforeImpactDate.filter((col("Country").rlike(country)) & (col("StockCode").rlike(stockCode))).groupby("Country", "StockCode", "YYYY-MM").sum()
monthlyCountsBeforeImpacteDateRow.show()
dfsCountsBefore = [monthlyCountsBeforeImpacteDateRow, monthlyCountsBeforeImpactDate]
monthlyCountsBeforeImpactDate = reduce(DataFrame.union, dfsCountsBefore)
except Exception as e:
print(e)
我在循环内声明 dfsCountsBeforeImpactDate 这似乎不正确,但是当它在外部时它返回为 NULL。
解决方案
IIUC 您正在查找国家和股票以限制行,然后对它们进行分组以生成聚合。
为什么不完全过滤df然后分组
df = dataBeforeImpactDate
df = df.filter(col('country').isin(country_lookup) & col('stock').isin(stock_lookup))
df = df.groupby("Country", "StockCode", "YYYY-MM").sum()
df.show()
这会更快,因为您不需要循环过滤器,也不需要联合。