python - example - pyspark dataframe

Tomar n filas de un marco de datos de chispa y pasar a toPandas()

Question

Tengo este codigo

l = [(''Alice'', 1),(''Jim'',2),(''Sandra'',3)]
df = sqlContext.createDataFrame(l, [''name'', ''age''])
df.withColumn(''age2'', df.age + 2).toPandas()

Funciona bien, hace lo que necesita. Supongamos que solo quiero mostrar las primeras n filas, y luego llamar toPandas() para devolver un marco de datos de pandas. ¿Cómo lo hago? No puedo llamar a take(n) porque eso no devuelve un marco de datos y, por lo tanto, no puedo pasarlo a toPandas() .

Entonces, para decirlo de otra manera, ¿cómo puedo tomar las primeras n filas de un marco de datos y llamar toPandas() en el marco de datos resultante? No puedo pensar que esto sea difícil pero no puedo resolverlo.

Estoy usando Spark 1.6.0.

Answer 1

Puede obtener las primeras filas de Spark DataFrame con head y luego crear Pandas DataFrame:

l = [(''Alice'', 1),(''Jim'',2),(''Sandra'',3)]
df = sqlContext.createDataFrame(l, [''name'', ''age''])
df_pandas = pd.DataFrame(df.head(3), columns=df.columns)
In [4]: df_pandas
Out[4]:
name age
0 Alice 1
1 Jim 2
2 Sandra 3

Answer 2

Puede utilizar la función de limit(n) :

l = [(''Alice'', 1),(''Jim'',2),(''Sandra'',3)]
df = sqlContext.createDataFrame(l, [''name'', ''age''])
df.limit(2).withColumn(''age2'', df.age + 2).toPandas()

O:

l = [(''Alice'', 1),(''Jim'',2),(''Sandra'',3)]
df = sqlContext.createDataFrame(l, [''name'', ''age''])
df.withColumn(''age2'', df.age + 2).limit(2).toPandas()