web-dev-qa-db-fra.com

Prendre n lignes de a spark dataframe et passer à toPandas ()

J'ai ce code:

l = [('Alice', 1),('Jim',2),('Sandra',3)]
df = sqlContext.createDataFrame(l, ['name', 'age'])
df.withColumn('age2', df.age + 2).toPandas()

Fonctionne bien, fait ce dont il a besoin. Supposons que je veuille seulement afficher les n premières lignes, puis appelez toPandas() pour renvoyer a pandas dataframe. Comment puis-je le faire? Je ne peux pas appeler take(n) parce que cela ne renvoie pas de donnée et donc je ne peux pas le transmettre à toPandas().

En d'autres termes, comment puis-je utiliser les n premières lignes d'un cadre de données et appeler toPandas() sur le cadre de données résultant? Je ne peux pas penser que c'est difficile mais je n'arrive pas à comprendre.

J'utilise Spark 1.6.0.

pythonapache-spark-sqlspark-dataframe
33
jamiet

Vous pouvez utiliser la fonction limit(n):

l = [('Alice', 1),('Jim',2),('Sandra',3)]
df = sqlContext.createDataFrame(l, ['name', 'age'])
df.limit(2).withColumn('age2', df.age + 2).toPandas()

Ou:

l = [('Alice', 1),('Jim',2),('Sandra',3)]
df = sqlContext.createDataFrame(l, ['name', 'age'])
df.withColumn('age2', df.age + 2).limit(2).toPandas()
46
Neo

Vous pouvez obtenir les premières lignes de Spark DataFrame avec head puis créer Pandas DataFrame:

l = [('Alice', 1),('Jim',2),('Sandra',3)]
df = sqlContext.createDataFrame(l, ['name', 'age'])

df_pandas = pd.DataFrame(df.head(3), columns=df.columns)

In [4]: df_pandas
Out[4]: 
     name  age
0   Alice    1
1     Jim    2
2  Sandra    3
10
Anton Protopopov

Essayez le:

def showDf(df, count=None, percent=None, maxColumns=0):
    if (df == None): return
    import pandas
    from IPython.display import display
    pandas.set_option('display.encoding', 'UTF-8')
    # Pandas dataframe
    dfp = None
    # maxColumns param
    if (maxColumns >= 0):
        if (maxColumns == 0): maxColumns = len(df.columns)
        pandas.set_option('display.max_columns', maxColumns)
    # count param
    if (count == None and percent == None): count = 10 # Default count
    if (count != None):
        count = int(count)
        if (count == 0): count = df.count()
        pandas.set_option('display.max_rows', count)
        dfp = pandas.DataFrame(df.head(count), columns=df.columns)
        display(dfp)
    # percent param
    Elif (percent != None):
        percent = float(percent)
        if (percent >=0.0 and percent <= 1.0):
            import datetime
            now = datetime.datetime.now()
            seed = long(now.strftime("%H%M%S"))
            dfs = df.sample(False, percent, seed)
            count = df.count()
            pandas.set_option('display.max_rows', count)
            dfp = dfs.toPandas()    
            display(dfp)

Des exemples d'utilisations sont:

# Shows the ten first rows of the Spark dataframe
showDf(df)
showDf(df, 10)
showDf(df, count=10)

# Shows a random sample which represents 15% of the Spark dataframe
showDf(df, percent=0.15)
0
prossblad