spark: RDD与DataFrame之间的相互转换方法

技术  /  管理员 发布于 7年前   194

DataFrame是一个组织成命名列的数据集。它在概念上等同于关系数据库中的表或R/Python中的数据框架，但其经过了优化。DataFrames可以从各种各样的源构建，例如：结构化数据文件，Hive中的表，外部数据库或现有RDD。

DataFrame API 可以被Scala，Java，Python和R调用。

在Scala和Java中，DataFrame由Rows的数据集表示。

在Scala API中，DataFrame只是一个类型别名Dataset[Row]。而在Java API中，用户需要Dataset<Row>用来表示DataFrame。

在本文档中，我们经常将Scala/Java数据集Row称为DataFrames。

那么DataFrame和spark核心数据结构RDD之间怎么进行转换呢？

代码如下：

# -*- coding: utf-8 -*-from __future__ import print_functionfrom pyspark.sql import SparkSessionfrom pyspark.sql import Rowif __name__ == "__main__": # 初始化SparkSession spark = SparkSession \ .builder \ .appName("RDD_and_DataFrame") \ .config("spark.some.config.option", "some-value") \ .getOrCreate() sc = spark.sparkContext lines = sc.textFile("employee.txt") parts = lines.map(lambda l: l.split(",")) employee = parts.map(lambda p: Row(name=p[0], salary=int(p[1]))) #RDD转换成DataFrame employee_temp = spark.createDataFrame(employee) #显示DataFrame数据 employee_temp.show() #创建视图 employee_temp.createOrReplaceTempView("employee") #过滤数据 employee_result = spark.sql("SELECT name,salary FROM employee WHERE salary >= 14000 AND salary <= 20000") # DataFrame转换成RDD result = employee_result.rdd.map(lambda p: "name: " + p.name + " salary: " + str(p.salary)).collect() #打印RDD数据 for n in result: print(n)

以上这篇spark: RDD与DataFrame之间的相互转换方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。