我处理一个包含两列mvv和count的数据帧。
+---+-----+
|mvv|count|
+---+-----+
| 1 | 5 |
| 2 | 9 |
| 3 | 3 |
| 4 | 1 |
我想获得两个包含mvv值和计数值的列表。就像是
mvv = [1,2,3,4]
count = [5,9,3,1]
所以,我尝试了以下代码:第一行应该返回一个python列表行。我想看到第一个值:
mvv_list = mvv_count_df.select('mvv').collect()
firstvalue = mvv_list[0].getInt(0)
但是我收到第二行的错误消息:
AttributeError:getInt
看,为什么你这样做不起作用。首先,你试图从Row类型中获取整数,你的collect的输出是这样的:
>>> mvv_list = mvv_count_df.select('mvv').collect()
>>> mvv_list[0]
Out: Row(mvv=1)
如果你采取这样的事情:
>>> firstvalue = mvv_list[0].mvv
Out: 1
您将获得mvv
值。如果你想要数组的所有信息,你可以采取这样的方式:
>>> mvv_array = [int(row.mvv) for row in mvv_list.collect()]
>>> mvv_array
Out: [1,2,3,4]
但是,如果您对其他列尝试相同的操作,则会得到:
>>> mvv_count = [int(row.count) for row in mvv_list.collect()]
Out: TypeError: int() argument must be a string or a number, not 'builtin_function_or_method'
这是因为count
是一种内置方法。该列与count
同名。执行此操作的解决方法是将count
的列名更改为_count
:
>>> mvv_list = mvv_list.selectExpr("mvv as mvv", "count as _count")
>>> mvv_count = [int(row._count) for row in mvv_list.collect()]
但是不需要此解决方法,因为您可以使用字典语法访问该列:
>>> mvv_array = [int(row['mvv']) for row in mvv_list.collect()]
>>> mvv_count = [int(row['count']) for row in mvv_list.collect()]
它终将奏效!
在一个班轮后面给出你想要的清单。
mvv = mvv_count_df.select("mvv").rdd.flatMap(lambda x: x).collect()
这将为您提供列表中的所有元素。
mvv_list = list(
mvv_count_df.select('mvv').toPandas()['mvv']
)
以下代码将为您提供帮助
mvv_count_df.select('mvv').rdd.map(lambda row : row[0]).collect()
根据我的数据,我得到了这些基准:
>>> data.select(col).rdd.flatMap(lambda x: x).collect()
0.52秒
>>> [row[col] for row in data.collect()]
0.271秒
>>> list(data.select(col).toPandas()[col])
0.427秒
结果是一样的
如果您收到以下错误:
AttributeError:'list'对象没有属性'collect'
此代码将解决您的问题:
mvv_list = mvv_count_df.select('mvv').collect()
mvv_array = [int(i.mvv) for i in mvv_list]