通过pyspark读取csv文件，空白列中有一些值

Question

我有一个 csv 文件，看起来像这样

当我将此数据读入 spark 时，由于前几行中的 "blanks"，它会将 C 列视为 "string"。

谁能告诉我如何在 SQL 数据框中加载此文件，以便 c 列保持整数（或浮点数）？

我正在使用“sc.textFile”将数据读入 spark，然后将其转换为 SQL 数据帧。

我阅读了 this and this 个链接。但是他们对我帮助不大。

我的代码部分。在代码的最后一行我收到了错误。

myFile=sc.textFile(myData.csv)

header = myFile.first()
fields = [StructField(field_name, StringType(), True) for field_name in header.split(',')]
fields[0].dataType = FloatType()
fields[1].dataType = FloatType()
fields[2].dataType = FloatType()

schema = StructType(fields)

myFileCh = myFile.map(lambda k: k.split(",")).map(lambda p: (float(p[0]),float(p[1]),float(p[2])))

谢谢！

Answer 1

所以问题在于这种不安全的转换。您可以实现一个短函数，该函数将执行 "safe" 强制转换和 return 一个默认值，以防强制转换为 fload 失败。

def safe_cast(val, to_type, default=None):
try:
    return to_type(val)
except ValueError:
    return default

safe_cast('tst', float) # will return None
safe_cast('tst', float, 0.0) # will return 0.0

myFileCh = myFile.map(lambda k: k.split(",")).map(lambda p: (safe_cast(p[0], float),safe_cast(p[1], float),safe_cast(p[2], float)))

通过pyspark读取csv文件，空白列中有一些值

Reading csv file through pyspark with some values in column blank

apache-spark

pyspark

spark-dataframe

pyspark-sql