我在学习pyspark时遇到了这个问题。
from pyspark.sql import Row
df = spark.createDataFrame([Row([0,45,63,0,0,0,0]),
Row([0,0,0,85,0,69,0]),
Row([0,89,56,0,0,0,0])],
['features'])
+--------------------+
| features|
+--------------------+
|[0, 45, 63, 0, 0,...|
|[0, 0, 0, 85, 0, ...|
|[0, 89, 56, 0, 0,...|
+--------------------+
sample = df.rdd.map(lambda row: row[0]*2)
sample.collect()
[[0, 45, 63, 0, 0, 0, 0, 0, 45, 63, 0, 0, 0, 0],
[0, 0, 0, 85, 0, 69, 0, 0, 0, 0, 85, 0, 69, 0],
[0, 89, 56, 0, 0, 0, 0, 0, 89, 56, 0, 0, 0, 0]]
我的问题是为什么 row[0] 被视为一个完整列表而不是一个值? 给出上述输出的属性是什么
最佳答案
它被视为完整列表,因为您已将其作为一个给出,并且您还在“功能”一栏下定义了它
当你说
df.rdd.map(lambda row: row[0]*2)
您只是问 Spark“我希望此列表中的所有值出现两次”。因此你得到了你所得到的输出。
现在如何获取列表中的单个值。
df = spark.createDataFrame([Row(0,45,63,0,0,0,0),
Row(0,0,0,85,0,69,0),
Row(0,89,56,0,0,0,0)],
['feature1' , 'feature2' , 'feature3' , 'feature4', 'feature5' , 'feature6' , 'feature7'])
这应该使您可以访问专用列中的各个值。
注意:模式的语法只是表示。请参阅 Spark 文档了解确切的语法。
希望这有帮助:)
关于pyspark - pyspark 中 rdd 的映射如何工作?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54248789/