pyspark批量生成tfrecord文件

人狠话不多,直接上代码!

from pyspark import SparkConf
from pyspark.sql import SparkSession
from pyspark.sql import HiveContext
from pyspark.sql import Row
from pyspark import SparkFiles
from pyspark.sql.types import *

sqlContext = HiveContext(spark)
sqlContext.sql("set hive.exec.dynamic.partition=true")
sqlContext.sql("set hive.exec.dynamic.partition.mode=strick")

def parse_example(r):
    result = []  # 返回result,和schema对应list
    # TODO something
    result.append(feature)
    result.append(label)
    return result

# 读hive数据
train_data = sqlContext.sql("SELECT feature,label from db.my_table")

# 定义数据结构
fields = [
    StructField('feature', ArrayType(IntegerType(), True)),
    StructField("label", ArrayType(IntegerType(), True))
]
schema = StructType(fields)

# 样本处理
result_rdd = train_data.rdd.repartition(3000).map(parse_example)
df = spark.createDataFrame(result_rdd, schema)
tfrecord_output_file = '你的文件存储路径'
file_num = 100  #定义生成多少个文件
df.repartition(file_num) \
        .write \
        .format("tfrecords") \
        .option("recordType", "Example") \
        .option("codec", "org.apache.hadoop.io.compress.DefaultCodec") \
        .save(tfrecord_output_file, mode="overwrite")
  • 3
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值