python - 如何将 Spark 数据帧转换为 Pandas 并返回 Kedro？

Question

我试图了解在 Kedro 中将来自一个节点的 Spark 数据帧转换为另一个节点所需的 Pandas 的最佳方式是什么，而不创建冗余转换步骤。

Answer 1

Kedro 目前支持 2 种策略:

使用Transcoding特色

这需要一个定义两个DataCatalog相同数据集的条目，使用通用格式(Parquet、JSON、CSV 等)的相同文件，在您的 catalog.yml 中:

my_dataframe@spark:
  type: kedro.contrib.io.pyspark.SparkDataSet
  filepath: data/02_intermediate/data.parquet

my_dataframe@pandas:
  type: ParquetLocalDataSet
  filepath: data/02_intermediate/data.parquet

然后像这样在管道中使用它们:

Pipeline([
    node(my_func1, "spark_input", "my_dataframe@spark"),
    node(my_func2, "my_dataframe@pandas", "output"),
])

在这种情况下，kedro明白my_dataframe在这两种情况下都是相同的数据集，并正确解析节点执行顺序。同时，kedro会使用 SparkDataSet实现保存和 ParquetLocalDataSet用于加载，所以第一个节点应该输出 pyspark.sql.DataFrame ，而第二个节点将收到 pandas.Dataframe .

使用Pandas to Spark和 Spark to Pandas节点装饰器

注意: Spark <-> Pandas内存中转换为 notorious因为它的内存需求，所以只有当已知数据帧很小时，这是一个可行的选择。

可以按照文档装饰节点:

from spark import get_spark
from kedro.contrib.decorators import pandas_to_spark

@pandas_to_spark(spark_session)
def my_func3(data):
    data.show() # data is pyspark.sql.DataFrame

甚至整个管道:

Pipeline([
    node(my_func4, "pandas_input", "some_output"),
    ...
]).decorate(pandas_to_spark)