从 python 嵌套列表在 hdfs 中创建数据框

Question

假设我有一个像这样的大列表：

lst = [['david', 'italy', 234], ['alice', 'france', 517], ['kim', 'japan', 673], ...]

我想创建一个包含 3 列名称、国家/地区和编号的 table 并将其保存为 hdfs 中的镶木地板。

我怎样才能用 pyspark 做到这一点？

将此列表保存为csv文件并直接加载到pyspark中是否更好？

Answer 1

用 python 写入 csv 并用 spark 加载它是多余的。您可以直接使用 createDataFrame:

创建 DataFrame

lst = [['david', 'italy', 234], ['alice', 'france', 517], ['kim', 'japan', 673]]

df = spark.createDataFrame(lst, ['name','country','num'])
df.show(3)

+-----+-------+---+
| name|country|num|
+-----+-------+---+
|david|  italy|234|
|alice| france|517|
|  kim|  japan|673|
+-----+-------+---+

最后，用df.write.parquet方法写入hdfs

从 python 嵌套列表在 hdfs 中创建数据框

Create a dataframe in hdfs from a python nested list

python

dataframe

pyspark

hdfs