read - ¿Cómo convertir Spark RDD a pandas dataframe en ipython?

pyspark read csv

Question

Tengo un RDD y quiero convertirlo en el dataframe pandas . Sé que para convertir y RDD a un dataframe normal podemos hacer

df = rdd1.toDF()

Pero quiero convertir el RDD a un dataframe pandas y no a un dataframe normal. ¿Cómo puedo hacerlo?

Answer 1

Puedes usar la función toPandas() :

Devuelve el contenido de este DataFrame como Pandas pandas.DataFrame.

Esto solo está disponible si Pandas está instalado y disponible.

>>> df.toPandas()  
   age   name
0    2  Alice
1    5    Bob

Answer 2

Tendrá que usar un Spark DataFrame como un paso intermedio entre su RDD y el Pandas DataFrame deseado.

Por ejemplo, digamos que tengo un archivo de texto, flights.csv , que se ha leído en un RDD:

flights = sc.textFile(''flights.csv'')

Puedes consultar el tipo:

type(flights)
<class ''pyspark.rdd.RDD''>

Si solo usas toPandas() en el RDD, no funcionará. Dependiendo del formato de los objetos en su RDD, es posible que sea necesario algún procesamiento para ir a un Spark DataFrame primero. En el caso de este ejemplo, este código hace el trabajo:

# RDD to Spark DataFrame
sparkDF = flights.map(lambda x: str(x)).map(lambda w: w.split('','')).toDF()

#Spark DataFrame to Pandas DataFrame
pdsDF = sparkDF.toPandas()

Puedes consultar el tipo:

type(pdsDF)
<class ''pandas.core.frame.DataFrame''>