如何将pyspark数据帧分为两行

起初我误解了你的意思,以为你想把柱子切成薄片。如果要选择行的子集,一种方法是使用 monotonically_increasing_id() . 从文档中:

生成的ID保证是单调递增的,并且 唯一,但不连续。

您可以使用此ID对数据帧进行排序,并使用 limit() 以确保准确获取所需的行。

例如:

import pyspark.sql.functions as f
import string

# create a dummy df with 500 rows and 2 columns
N = 500
numbers = [i%26 for i in range(N)]
letters = [string.ascii_uppercase[n] for n in numbers]

df = sqlCtx.createDataFrame(
    zip(numbers, letters),
    ('numbers', 'letters')
)

# add an index column
df = df.withColumn('index', f.monotonically_increasing_id())

# sort ascending and take first 100 rows for df1
df1 = df.sort('index').limit(100)

# sort descending and take 400 rows for df2
df2 = df.sort('index', ascending=False).limit(400)

只是为了验证这是否符合您的要求:

df1.count()
#100
df2.count()
#400

我们还可以验证索引列是否不重叠:

df1.select(f.min('index').alias('min'), f.max('index').alias('max')).show()
#+---+---+
#|min|max|
#+---+---+
#|  0| 99|
#+---+---+

df2.select(f.min('index').alias('min'), f.max('index').alias('max')).show()
#+---+----------+
#|min|       max|
#+---+----------+
#|100|8589934841|
#+---+----------+

Spark数据帧不能像您编写的那样进行索引。您可以使用head方法创建以获取n个最上面的行。这将返回Row()对象的列表,而不是数据帧。因此,您可以将它们转换回数据帧,并使用原始数据帧的减法来获取其余的行。

#Take the 100 top rows convert them to dataframe 
#Also you need to provide the schema also to avoid errors
df1 = sqlContext.createDataFrame(df.head(100), df.schema)

#Take the rest of the rows
df2 = df.subtract(df1)

如果使用spark 2.0+,还可以使用SparkSession代替spark sqlContext。此外,如果您对前100行不感兴趣,并且希望进行随机拆分,则可以使用 randomSplit 这样地:

df1,df2 = df.randomSplit([0.20, 0.80],seed=1234)

如果我不介意在两个数据帧中都有相同的行,那么我可以使用 sample . 例如,我有一个354行的数据帧。

>>> df.count()
354

>>> df.sample(False,0.5,0).count() //approx. 50%
179

>>> df.sample(False,0.1,0).count() //approx. 10%
34

或者,如果我想在不存在重复项的情况下严格拆分,我可以这样做

df1 = df.limit(100)     //100 rows
df2 = df.subtract(df1)  //Remaining rows

通过以下方式尝试:

df1_list = df.collect()[:99] #this will return list    
df1 = spark.createDataFrame(df1) #convert it to spark dataframe

同样,对于这一点:

df2_list = df.collect()[100:499]
df2 = spark.createDataFrame(df2)

在这两种解决方案中,我认为我们都需要改变 df1 到 df1_list ,和更改 df2 到 df2_list 在第二句话中。

此处提供的解决方案不太复杂,更类似于要求的解决方案:

(适用于Spark 2.4以上版本)

# Starting
print('Starting row count:',df.count())
print('Starting column count:',len(df.columns))

# Slice rows
df2 = df.limit(3)
print('Sliced row count:',df2.count())

# Slice columns
cols_list = df.columns[0:1]
df3 = df.select(cols_list)
print('Sliced column count:',len(df3.columns))