我正在研究 Ipython
和 Spark
,我有一个 RDD
,我从中形成了一个 list
。现在从这个 list
我想形成一个 dataframe
它有来自父 list
的多列,但这些列不连续。我写了这个,但它似乎工作不对:
list1 = rdd.collect()
columns_num = [1,8,11,17,21,24]
df2 = [list[i] for i in columns_num]
上面的代码只从父 list
中选择 6 行,只有第 1 列数据,并用这 6 列第 1 数据形成新的 dataframe
。
如何使用来自另一个 list
的多个不连续列形成一个新的 dataframe
最佳答案
例如像这样:
rdd = sc.parallelize([("a", 1, 2, 4.0, "foo"), ("b", 3, 4, 5.0, "bar")])
columns_num = [0, 3]
df = rdd.toDF()
df2 = df.select(*(df.columns[i] for i in columns_num))
df2.show()
## +---+---+
## | _1| _4|
## +---+---+
## | a|4.0|
## | b|5.0|
## +---+---+
或者像这样:
df = rdd.map(lambda row: [row[i] for i in columns_num]).toDF()
df.show()
## +---+---+
## | _1| _4|
## +---+---+
## | a|4.0|
## | b|5.0|
## +---+---+
另一方面,您永远不应该为了 reshape 而收集数据。在最好的情况下,它会很慢,在最坏的情况下,它只会崩溃。
关于python - 如何从列表中选择多个不连续的列到python中的另一个数据框中,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/33979732/