sparklyr(R+spark)中提取列名的简单命令

Simple command for extracting column names in sparklyr (R+spark)

在 base 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"

但是在使用 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"

变量名其实深藏在里面'ops'

> testdf_tbl$ops$vars  
[1] "a1" "a2" "a3" "a4" "a5" "a6"

如果就这些就没有问题了(也没必要问这个问题)。但是,每次对 testdf_tbl 进行操作时,columns/variables 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..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,变量列表并没有反映我们所做的select操作,它们仍然将a1、a2列为列名。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,select 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 variables/columns 的当前名称,如 base r.names() 中的 la names()

正如凯文所说,tbl_vars 有效,但如果你想让它更像 "base-R",colnames 也可以。