python - 如何将 pandas 的 DataFrame 转换为 Spark 中的 DataFrame 或 LabeledPoint？

Question

我了解到，在使用 spark 数据框时，您会希望将任何数据源直接导入为 spark 数据框。在我的例子中，我需要使用 pandas 函数来破坏表格并创建虚拟变量。因此，在读取数据后，我在我的 .map() 函数中使用了这个函数。

def parsePoint(line):
    listmp = list(line.split('\t'))
    dataframe = pd.DataFrame(pd.get_dummies(listmp[1:]).sum()).transpose()
    dataframe.insert(0, 'status', dataframe['accepted'])
    if 'NULL' in dataframe.columns:
        dataframe = dataframe.drop('NULL', axis=1)  
    if '' in dataframe.columns:
        dataframe = dataframe.drop('', axis=1)  
    if 'rejected' in dataframe.columns:
        dataframe = dataframe.drop('rejected', axis=1)  
    if 'accepted' in dataframe.columns:
        dataframe = dataframe.drop('accepted', axis=1)  
    return dataframe 

我的 .reduce() 函数是这样的:

parsedData = data.map(parsePoint).reduce(lambda a, b: a.append(b)).fillna(0)

它给了我想要的东西，但现在我需要将这个重组的 pandas 数据框放入 labeledPoints 中，以便我可以将它与 MLlib 算法一起使用。我怎样才能执行与 .toPandas() 函数相反的操作并将 pandas 转换为 spark dataframe 或 labeledPoint？

Answer 1

sqlContext.createDataFrame(PANDASDATA)