【spark】pyspark中数据类型转换pandas_df，rdd，spark_df

pandas_df创建

十分钟搞定pandas

RDD创建

【Spark】3.RDD编程

spark_df创建

一、创建DF或者读入DF

以sql输出的结果创建df，这种形式最常用。

from pyspark.sql import SparkSession
from pyspark.sql import Row
from pyspark.sql.types import *
from pyspark.sql.functions import *
 
df = spark.sql("select * from table_name")

也可以使用toDF()

from pyspark.sql import Row
row = Row("spe_id", "InOther")
x = ['x1','x2']
y = ['y1','y2']
new_df = sc.parallelize([row(x[i], y[i]) for i in range(2)]).toDF()

当然，也可以采用下面的方式创建DF，我们这里造了下面的数据集来说明df的一系列操作。

test = []
test.append((1, 'age', '30', 50, 40))
test.append((1, 'city', 'beijing', 50, 40))
test.append((1, 'gender', 'fale', 50, 40))
test.append((1, 'height', '172cm', 50, 40))
test.append((1, 'weight', '70kg', 50, 40))
df = spark.createDataFrame(test,['user_id', 'attr_name','attr_value', 'income', 'expenses'])

createDataFrame有一个参数，samplingRatio。这个参数的含义是：如果df的某列的类型不确定，则抽样百分之samplingRatio的数据来看是什么类型。因此，我们一般设定其为1。即，只要该列有1个数据不为空，该列的类型就不会为null。

RDD与spark_df

RDD-spark_df

dataframe = spark.createDataFrame(RDD)

spark_df-RDD

RDD = spark_df.rdd.map(lambda x：x)

pandas_df 与 spark_df转换

pandas_pd=saprk_df.toPandas()

spark_df = spark.createDataFrame(pandas_df)