我在分布式文件系统的许多 .csv 文件中存储了 1 亿行。我正在使用 Spark_read_csv() 毫无问题地加载数据。我的许多列都存储为字符逻辑值:"true"
, "false"
, "<na>"
。我无法控制这个。
当我尝试将值转换为逻辑值时,"<na>"
值转换为 FALSE
与 "false"
值(value)观。关于如何克服这个问题有什么想法吗?
test_lgl <-
tibble(a = c(TRUE, TRUE, NA, NA, FALSE, FALSE),
b = c("true", "true", "na", "<na>", "false", "f"))
test_lgl %>% mutate_if(is.character, as.logical)
# this works
a b
<lgl> <lgl>
1 TRUE TRUE
2 TRUE TRUE
3 NA NA
4 NA NA
5 FALSE FALSE
6 FALSE NA
sc <- spark_connect(master = "local")
spark_lgl <- copy_to(sc, test_lgl)
spark_lgl %>% mutate_if(is.character, as.logical)
# this does not
a b
<lgl> <lgl>
1 TRUE TRUE
2 TRUE TRUE
3 FALSE FALSE
4 FALSE FALSE
5 FALSE FALSE
6 FALSE FALSE
最佳答案
When I attempt to convert the values to logical, the
"<na>"
values are converted toFALSE
令人惊讶的是没有。如果您进一步检查结果:
spark_lgl_boolean <- spark_lgl %>% mutate_if(is.character, as.logical)
spark_lgl_boolean %>% mutate_all(is.na)
Applying predicate on the first 100 rows
# Source: lazy query [?? x 2]
# Database: spark_connection
a b
<lgl> <lgl>
1 FALSE FALSE
2 FALSE FALSE
3 TRUE TRUE
4 TRUE TRUE
5 FALSE FALSE
6 FALSE FALSE
这与 NA count 一致:
spark_lgl_boolean %>%
mutate_all(is.na) %>%
mutate_all(as.numeric) %>%
summarize_all(sum)
# Source: lazy query [?? x 2]
# Database: spark_connection
a b
<dbl> <dbl>
1 2 2
Spark execution plan :
spark_lgl %>% mutate_if(is.character, as.logical) %>% optimizedPlan
Applying predicate on the first 100 rows
<jobj[1074]>
org.apache.spark.sql.catalyst.plans.logical.Project
Project [a#10, cast(b#11 as boolean) AS b#2037]
+- InMemoryRelation [a#10, b#11], true, 10000, StorageLevel(disk, memory, deserialized, 1 replicas), `test_lgl`
+- *FileScan csv [a#10,b#11] Batched: false, Format: CSV, Location: InMemoryFileIndex[file:/tmp/..., PartitionFilters: [], PushedFilters: [], ReadSchema: struct<a:boolean,b:string>
以及 StringType
的 Spark 转换逻辑-> BooleanType
其中:
- 字符串
TRUE
/T
(不区分大小写)和1
转换为true
字面意思。 - 字符串
FALSE
/F
(不区分大小写)和0
转换为false
字面意思。 - 上面不匹配的字符串将转换为
NULL
(〜NA
)。
scala> Seq("tRUE", "FALSE", "f", "<na>", "NA", "1", "0").toDF("x").select($"x".cast("boolean")).show
+-----+
| x|
+-----+
| true|
|false|
|false|
| null|
| null|
| true|
|false|
+-----+
问题似乎是由sparklyr
专门引入的转换。请参阅Improve Serialization在 GitHub 上(感谢 kevinykuo 指出了这一点)。
但是,如果您坚持基于 Spark 的逻辑,而不将数据提取到 R,那么事情应该会正常工作(例如,如果您将数据写入文件)。
I'm using spark_read_csv() to load the data
在这种情况下,您可以查看 nullValue
和nanValue
options
CSV reader的。例如:
spark_read_csv(..., options=list(nullValue="<na>"))
或
spark_read_csv(..., options=list(nanValue="<na>"))
但请记住,NULL
的 Spark 语义/NaN
与 R NA
不同/NaN
.
关于r - 使用 Sparklyr 将字符串转换为 R 中的逻辑字符串,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/47539670/