在基 r 中，很容易从数据框中提取列(变量)的名称
> testdf <- data.frame(a1 = rnorm(1e5), a2 = rnorm(1e5), a3 = rnorm(1e5), a4 = rnorm(1e5), a5 = rnorm(1e5), a6 = rnorm(1e5))
> names(testdf)
[1] "a1" "a2" "a3" "a4" "a5" "a6"
但是当使用sparklyr时，事情变得更加复杂。将数据框复制到spark后，
> testdf_tbl <- copy_to(sc, testdf, overwrite = TRUE)
> names(testdf_tbl)
[1] "src" "ops"
变量名实际上位于“ops”深处
> testdf_tbl$ops$vars
[1] "a1" "a2" "a3" "a4" "a5" "a6"
如果这就是全部，那就没有问题了(也不需要问这个问题)。但是，每次对 testdf_tbl 进行操作时，列/变量的名称都会更改其位置，如下所示。
> testdf_tbl <- testdf_tbl %>% select(-a1)
> testdf_tbl$ops$vars
NULL
> testdf_tbl$ops$x$vars
[1] "a1" "a2" "a3" "a4" "a5" "a6"
另一个操作将另一个 $x 添加到路径中......等等。
> testdf_tbl <- testdf_tbl %>% select(-a2)
> testdf_tbl$ops$x$vars
NULL
> testdf_tbl$ops$x$x$vars
[1] "a1" "a2" "a3" "a4" "a5" "a6"
更糟糕的是，变量列表并没有反射(reflect)我们所做的选择操作，它们仍然列出 a1、a2 作为列名。其中，
> head(testdf_tbl)
Source: query [?? x 4]
Database: spark connection master=local[24] app=sparklyr local=TRUE
a3 a4 a5 a6
dbl dbl dbl dbl
1 -1.146368875 1.691698406 0.43231629 1.3349111
2 0.664928710 -1.332242020 0.05380729 1.0139253
3 1.158095695 -0.097098980 -0.61885204 0.1504693
4 0.001595841 -0.003765908 0.27935192 -0.3039085
5 -0.133446040 0.269329076 1.57210274 1.7762602
6 0.006468698 -1.300439537 0.74057307 0.1320428
很明显，选择操作对 Spark 数据帧的使用方式产生了影响。
当然，有一种简单、直接的方法可以提取 Sparklyr 中变量/列的当前名称，就像基本 r 中的 names() 一样。
最佳答案
正如 Kevin 所说，tbl_vars 可以工作，但如果您希望它更像“base-R”，colnames 也可以。
关于r - 在sparklyr (R+spark) 中提取列名称的简单命令，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/39978958/