我正在学习pyspark,我对如何将分组数据帧保存为csv文件感到困惑(假设由于某些原因 - 例如RAM限制 - 我不想将它首先转换为Pandas数据帧)。
有关可重复的示例:
import seaborn as sns
import findspark
findspark.init()
import pyspark
from pyspark.sql import SparkSession
spark = SparkSession.builder \
.master('local') \
.appName('Data cleaning') \
.getOrCreate()
from pyspark.context import SparkContext
sc = SparkContext.getOrCreate()
from pyspark.sql.functions import *
mpg= sns.load_dataset('mpg')
mpg_sp = spark.createDataFrame(mpg)
mpg_grp = mpg_sp.groupBy('model_year', 'origin').avg('displacement', 'weight')
# The command below fails in the sense that it creates a folder with multiple files in it rather than a single csv file as I would expect
mpg_grp.write.csv('mpg_grp.csv')
# By applying the collect method I get a list which can not be saved as a csv file
mpg_grp1 = mpg_grp.collect()
type(mpg_grp1)
list
Spark是一个分布式框架。因此,几个文件中的输出是正常行为......每个工作人员都会编写它的部分,从而产生几个小文件。
您可以使用此命令欺骗系统:
mpg_grp.coalesce(1).write.csv('mpg_grp.csv')
这将只写1个文件(但仍然在名为'mpg_grp.csv'的文件夹中)。 警告:可能很慢。
以上答案是正确的,但其使用效果不是很好。 当然,您可以使用重新分区(1)或合并(1),但这会导致将所有数据传输给单个工作人员,并且会大大减慢代码速度。 为了避免这种情况,我建议您在数据集中的某个列上对数据进行分区。然后编写简单的代码以获得每个分区一个文件:
cols = ["$name"]
mpg_grp.repartition(cols).write.partitionBy(cols).csv("$location")
因此,数据将按照您的某个列在工作程序之间进行分区,并且每个分区只能获得一个文件(以日期为例)。