如何将rdd对象转换为spark中的数据框

Question

如何将 RDD (org.apache.spark.rdd.RDD[org.apache.spark.sql.Row]) 转换为 Dataframe org.apache.spark.sql.DataFrame。我使用 .rdd 将数据帧转换为 rdd。处理后，我希望它回到数据框中。我该怎么做？

Answer 1

SparkSession 有许多 createDataFrame 方法可以在给定 RDD 的情况下创建 DataFrame。我想其中之一将适用于您的上下文。

例如：

def createDataFrame(rowRDD: RDD[Row], schema: StructType): DataFrame

Creates a DataFrame from an RDD containing Rows using the given schema.

Answer 2

假设你的 RDD[row] 被称为 rdd，你可以使用：

val sqlContext = new SQLContext(sc) 
import sqlContext.implicits._
rdd.toDF()

Answer 3

假设您有一个 DataFrame 并且您想要通过将其转换为 RDD[Row].

来对字段数据进行一些修改

val aRdd = aDF.map(x=>Row(x.getAs[Long]("id"),x.getAs[List[String]]("role").head))

要从 RDD 转换回 DataFrame，我们需要定义 RDD.

的 结构类型

如果数据类型是 Long 那么它将在结构中变为 LongType。

如果 String 则 StringType 在结构中。

val aStruct = new StructType(Array(StructField("id",LongType,nullable = true),StructField("role",StringType,nullable = true)))

现在您可以使用 createDataFrame 方法将 RDD 转换为 DataFrame。

val aNamedDF = sqlContext.createDataFrame(aRdd,aStruct)

Answer 4

这是一个简单的示例，将您的 List 转换为 Spark RDD，然后将该 Spark RDD 转换为 Dataframe。

请注意，我使用了 Spark-shell 的 scala REPL 来执行以下代码，这里的 sc 是 SparkContext 的一个实例，它在 Spark-shell 中隐式可用。希望它能回答你的问题。

scala> val numList = List(1,2,3,4,5)
numList: List[Int] = List(1, 2, 3, 4, 5)

scala> val numRDD = sc.parallelize(numList)
numRDD: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[80] at parallelize at <console>:28

scala> val numDF = numRDD.toDF
numDF: org.apache.spark.sql.DataFrame = [_1: int]

scala> numDF.show
+---+
| _1|
+---+
|  1|
|  2|
|  3|
|  4|
|  5|
+---+

Answer 5

注意：此答案最初发布于

我发布这个答案是因为我想分享有关我在其他答案中找不到的可用选项的更多详细信息

要从行的 RDD 创建 DataFrame，有两个主要选项：

1) 如前所述，您可以使用 toDF()，它可以由 import sqlContext.implicits._ 导入。但是，此方法仅适用于以下类型的 RDD：

RDD[Int]
RDD[Long]
RDD[String]
RDD[T <: scala.Product]

（来源：SQLContext.implicits 对象的 Scaladoc）

最后一个签名实际上意味着它可以用于元组的 RDD 或 case classes 的 RDD（因为元组和 case classes 是子 classes scala.Product).

因此，要将此方法用于 RDD[Row]，您必须将其映射到 RDD[T <: scala.Product]。这可以通过将每一行映射到自定义案例 class 或元组来完成，如以下代码片段所示：

val df = rdd.map({ 
  case Row(val1: String, ..., valN: Long) => (val1, ..., valN)
}).toDF("col1_name", ..., "colN_name")

或

case class MyClass(val1: String, ..., valN: Long = 0L)
val df = rdd.map({ 
  case Row(val1: String, ..., valN: Long) => MyClass(val1, ..., valN)
}).toDF("col1_name", ..., "colN_name")

这种方法的主要缺点（在我看来）是您必须在映射函数中逐列显式设置生成的 DataFrame 的模式。如果您事先不知道架构，也许这可以通过编程方式完成，但事情可能会变得有点混乱。因此，或者，还有另一种选择：

2) 您可以在已接受的答案中使用 createDataFrame(rowRDD: RDD[Row], schema: StructType)，它在 SQLContext 对象中可用。转换旧 DataFrame 的 RDD 的示例：

val rdd = oldDF.rdd
val newDF = oldDF.sqlContext.createDataFrame(rdd, oldDF.schema)

请注意，无需显式设置任何架构列。我们重用了旧的DF的schema，它是StructType class并且可以很容易地扩展。但是，这种方法有时是行不通的，并且在某些情况下可能不如第一种方法有效。

Answer 6

方法一：（Scala）

val sqlContext = new org.apache.spark.sql.SQLContext(sc)
import sqlContext.implicits._
val df_2 = sc.parallelize(Seq((1L, 3.0, "a"), (2L, -1.0, "b"), (3L, 0.0, "c"))).toDF("x", "y", "z")

方法 2：（Scala）

case class temp(val1: String,val3 : Double) 

val rdd = sc.parallelize(Seq(
  Row("foo",  0.5), Row("bar",  0.0)
))
val rows = rdd.map({case Row(val1:String,val3:Double) => temp(val1,val3)}).toDF()
rows.show()

方法一：(Python)

from pyspark.sql import Row
l = [('Alice',2)]
Person = Row('name','age')
rdd = sc.parallelize(l)
person = rdd.map(lambda r:Person(*r))
df2 = sqlContext.createDataFrame(person)
df2.show()

方法二：(Python)

from pyspark.sql.types import * 
l = [('Alice',2)]
rdd = sc.parallelize(l)
schema =  StructType([StructField ("name" , StringType(), True) , 
StructField("age" , IntegerType(), True)]) 
df3 = sqlContext.createDataFrame(rdd, schema) 
df3.show()

从行对象中提取值，然后应用大小写class将rdd转换为DF

val temp1 = attrib1.map{case Row ( key: Int ) => s"$key" }
val temp2 = attrib2.map{case Row ( key: Int) => s"$key" }

case class RLT (id: String, attrib_1 : String, attrib_2 : String)
import hiveContext.implicits._

val df = result.map{ s => RLT(s(0),s(1),s(2)) }.toDF

Answer 7

One needs to create a schema, and attach it to the Rdd.

假设 val spark 是 SparkSession.builder...

的产物

    import org.apache.spark._
    import org.apache.spark.sql._       
    import org.apache.spark.sql.types._

    /* Lets gin up some sample data:
     * As RDD's and dataframes can have columns of differing types, lets make our
     * sample data a three wide, two tall, rectangle of mixed types.
     * A column of Strings, a column of Longs, and a column of Doubules 
     */
    val arrayOfArrayOfAnys = Array.ofDim[Any](2,3)
    arrayOfArrayOfAnys(0)(0)="aString"
    arrayOfArrayOfAnys(0)(1)=0L
    arrayOfArrayOfAnys(0)(2)=3.14159
    arrayOfArrayOfAnys(1)(0)="bString"
    arrayOfArrayOfAnys(1)(1)=9876543210L
    arrayOfArrayOfAnys(1)(2)=2.71828

    /* The way to convert an anything which looks rectangular, 
     * (Array[Array[String]] or Array[Array[Any]] or Array[Row], ... ) into an RDD is to 
     * throw it into sparkContext.parallelize.
     * http://spark.apache.org/docs/latest/api/scala/index.html#org.apache.spark.SparkContext shows
     * the parallelize definition as 
     *     def parallelize[T](seq: Seq[T], numSlices: Int = defaultParallelism)
     * so in our case our ArrayOfArrayOfAnys is treated as a sequence of ArraysOfAnys.
     * Will leave the numSlices as the defaultParallelism, as I have no particular cause to change it. 
     */
    val rddOfArrayOfArrayOfAnys=spark.sparkContext.parallelize(arrayOfArrayOfAnys)

    /* We'll be using the sqlContext.createDataFrame to add a schema our RDD.
     * The RDD which goes into createDataFrame is an RDD[Row] which is not what we happen to have.
     * To convert anything one tall and several wide into a Row, one can use Row.fromSeq(thatThing.toSeq)
     * As we have an RDD[somethingWeDontWant], we can map each of the RDD rows into the desired Row type. 
     */     
    val rddOfRows=rddOfArrayOfArrayOfAnys.map(f=>
        Row.fromSeq(f.toSeq)
    )

    /* Now to construct our schema. This needs to be a StructType of 1 StructField per column in our dataframe.
     * https://spark.apache.org/docs/latest/api/scala/index.html#org.apache.spark.sql.types.StructField shows the definition as
     *   case class StructField(name: String, dataType: DataType, nullable: Boolean = true, metadata: Metadata = Metadata.empty)
     * Will leave the two default values in place for each of the columns:
     *        nullability as true, 
     *        metadata as an empty Map[String,Any]
     *   
     */

    val schema = StructType(
        StructField("colOfStrings", StringType) ::
        StructField("colOfLongs"  , LongType  ) ::
        StructField("colOfDoubles", DoubleType) ::
        Nil
    )

    val df=spark.sqlContext.createDataFrame(rddOfRows,schema)
    /*
     *      +------------+----------+------------+
     *      |colOfStrings|colOfLongs|colOfDoubles|
     *      +------------+----------+------------+
     *      |     aString|         0|     3.14159|
     *      |     bString|9876543210|     2.71828|
     *      +------------+----------+------------+
    */ 
    df.show

步骤相同，但 val 声明更少：

    val arrayOfArrayOfAnys=Array(
        Array("aString",0L         ,3.14159),
        Array("bString",9876543210L,2.71828)
    )

    val rddOfRows=spark.sparkContext.parallelize(arrayOfArrayOfAnys).map(f=>Row.fromSeq(f.toSeq))

    /* If one knows the datatypes, for instance from JDBC queries as to RDBC column metadata:
     * Consider constructing the schema from an Array[StructField].  This would allow looping over 
     * the columns, with a match statement applying the appropriate sql datatypes as the second
     *  StructField arguments.   
     */
    val sf=new Array[StructField](3)
    sf(0)=StructField("colOfStrings",StringType)
    sf(1)=StructField("colOfLongs"  ,LongType  )
    sf(2)=StructField("colOfDoubles",DoubleType)        
    val df=spark.sqlContext.createDataFrame(rddOfRows,StructType(sf.toList))
    df.show

Answer 8

此代码在 Spark 2.x 和 Scala 2.11

中完美运行

需要导入类

import org.apache.spark.sql.{Row, SparkSession}
import org.apache.spark.sql.types.{DoubleType, StringType, StructField, StructType}

创建 SparkSession 对象，这里是 spark

val spark: SparkSession = SparkSession.builder.master("local").getOrCreate
val sc = spark.sparkContext // Just used to create test RDDs

让我们 RDD 来 DataFrame

val rdd = sc.parallelize(
  Seq(
    ("first", Array(2.0, 1.0, 2.1, 5.4)),
    ("test", Array(1.5, 0.5, 0.9, 3.7)),
    ("choose", Array(8.0, 2.9, 9.1, 2.5))
  )
)

##方法一使用 SparkSession.createDataFrame(RDD obj).

val dfWithoutSchema = spark.createDataFrame(rdd)

dfWithoutSchema.show()
+------+--------------------+
|    _1|                  _2|
+------+--------------------+
| first|[2.0, 1.0, 2.1, 5.4]|
|  test|[1.5, 0.5, 0.9, 3.7]|
|choose|[8.0, 2.9, 9.1, 2.5]|
+------+--------------------+

##方法二使用 SparkSession.createDataFrame(RDD obj) 并指定列名。

val dfWithSchema = spark.createDataFrame(rdd).toDF("id", "vals")

dfWithSchema.show()
+------+--------------------+
|    id|                vals|
+------+--------------------+
| first|[2.0, 1.0, 2.1, 5.4]|
|  test|[1.5, 0.5, 0.9, 3.7]|
|choose|[8.0, 2.9, 9.1, 2.5]|
+------+--------------------+

##方法三（实际回答问题）这种方式要求输入 rdd 应该是类型 RDD[Row].

val rowsRdd: RDD[Row] = sc.parallelize(
  Seq(
    Row("first", 2.0, 7.0),
    Row("second", 3.5, 2.5),
    Row("third", 7.0, 5.9)
  )
)

创建架构

val schema = new StructType()
  .add(StructField("id", StringType, true))
  .add(StructField("val1", DoubleType, true))
  .add(StructField("val2", DoubleType, true))

现在将 rowsRdd 和 schema 应用到 createDataFrame()

val df = spark.createDataFrame(rowsRdd, schema)

df.show() 
+------+----+----+
|    id|val1|val2|
+------+----+----+
| first| 2.0| 7.0|
|second| 3.5| 2.5|
| third| 7.0| 5.9|
+------+----+----+

Answer 9

在较新版本的 spark (2.0+) 上

import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.functions._
import org.apache.spark.sql._
import org.apache.spark.sql.types._

val spark = SparkSession
  .builder()
  .getOrCreate()
import spark.implicits._

val dfSchema = Seq("col1", "col2", "col3")
rdd.toDF(dfSchema: _*)

Answer 10

要将 Array[Row] 转换为 DataFrame 或 Dataset，下面的工作很优雅：

假设，架构是行的结构类型，那么

val rows: Array[Row]=...
implicit val encoder = RowEncoder.apply(schema)
import spark.implicits._
rows.toDS

Answer 11

我尝试使用字数统计问题来解释解决方案。 1.使用sc

读取文件

产生字数
创建DF的方法
- rdd.toDF方法
- rdd.toDF("word","count")
  - spark.createDataFrame(rdd,模式)
使用spark读取文件
```
val rdd=sc.textFile("D://cca175/data/")  
```
Rdd 到数据帧

val df=sc.textFile("D://cca175/data/").toDF("t1") df.show

方法一

创建字数统计 RDD 到 Dataframe
```
val df=rdd.flatMap(x=>x.split(" ")).map(x=>(x,1)).reduceByKey((x,y)=>(x+y)).toDF("word","count")
```
方法2

从 Rdd 创建 Dataframe
```
val df=spark.createDataFrame(wordRdd) 
# with header   
val df=spark.createDataFrame(wordRdd).toDF("word","count")  df.show
```
方法3

定义架构

进口org.apache.spark.sql.types._

val schema=new StructType()。添加（StructField（"word"，StringType，true））。 add(StructField("count",StringType,true))

创建行RDD
```
import org.apache.spark.sql.Row
val rowRdd=wordRdd.map(x=>(Row(x._1,x._2)))     
```
使用模式从 RDD 创建 DataFrame

val df=spark.createDataFrame(rowRdd,schema)
df.show

Answer 12

我遇到了同样的问题，终于解决了。非常简单易行。

您必须添加此代码 import sc.implicits._，sc 表示 SQLContext。添加此代码，您将获得 rdd.toDF() 方法。
将您的 rdd[RawData] 转换为 rdd[YourCaseClass]。例如，你有一个像这样的 rdd 类型 rdd[(String, Integer, Long)]，你可以创建一个 Case Class YourCaseClass(name: String, age: Integer, timestamp: Long) 并将原始 rdd 转换为 YourCaseClass 类型的 rdd，然后你得到 rdd[YourCaseClass]
将 rdd[YourCaseClass] 保存到蜂巢 table。 yourRdd.toDF().write.format("parquet").mode(SaveMode.Overwrite).insertInto(yourHiveTableName)用caseclass来表示rdd类型，我们可以避免命名每个列字段或StructType相关schema。

如何将rdd对象转换为spark中的数据框

How to convert rdd object to dataframe in spark

scala

apache-spark

apache-spark-sql

rdd

使用spark读取文件

Rdd 到数据帧

方法一

创建字数统计 RDD 到 Dataframe

方法2

从 Rdd 创建 Dataframe

方法3

定义架构

创建行RDD

使用模式从 RDD 创建 DataFrame