python - spark - AttributeError: el objeto ''DataFrame'' no tiene el atributo ''map''

rdd to dataframe pyspark

Question

Quería convertir el marco de datos de chispa para agregar usando el siguiente código:

from pyspark.mllib.clustering import KMeans
spark_df = sqlContext.createDataFrame(pandas_df)
rdd = spark_df.map(lambda data: Vectors.dense([float(c) for c in data]))
model = KMeans.train(rdd, 2, maxIterations=10, runs=30, initializationMode="random")

El mensaje de error detallado es:

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-11-a19a1763d3ac> in <module>()
      1 from pyspark.mllib.clustering import KMeans
      2 spark_df = sqlContext.createDataFrame(pandas_df)
----> 3 rdd = spark_df.map(lambda data: Vectors.dense([float(c) for c in data]))
      4 model = KMeans.train(rdd, 2, maxIterations=10, runs=30, initializationMode="random")

/home/edamame/spark/spark-2.0.0-bin-hadoop2.6/python/pyspark/sql/dataframe.pyc in __getattr__(self, name)
    842         if name not in self.columns:
    843             raise AttributeError(
--> 844                 "''%s'' object has no attribute ''%s''" % (self.__class__.__name__, name))
    845         jc = self._jdf.apply(name)
    846         return Column(jc)

AttributeError: ''DataFrame'' object has no attribute ''map''

¿Alguien sabe lo que hice mal aquí? ¡Gracias!

Answer 1

No puede map un marco de datos, pero puede convertir el marco de datos en un RDD y spark_df.rdd.map() haciendo spark_df.rdd.map() . Antes de Spark 2.0, spark_df.map alias de spark_df.rdd.map() . Con Spark 2.0, primero debe llamar explícitamente a .rdd .