pyspark - pyspark 中 rdd 的映射如何工作？

Question

我在学习pyspark时遇到了这个问题。

from pyspark.sql import Row
df = spark.createDataFrame([Row([0,45,63,0,0,0,0]),
                           Row([0,0,0,85,0,69,0]),
                           Row([0,89,56,0,0,0,0])],
                           ['features'])

+--------------------+
|            features|
+--------------------+ 
|[0, 45, 63, 0, 0,...|
|[0, 0, 0, 85, 0, ...|
|[0, 89, 56, 0, 0,...|
+--------------------+

sample = df.rdd.map(lambda row: row[0]*2)
sample.collect()

[[0, 45, 63, 0, 0, 0, 0, 0, 45, 63, 0, 0, 0, 0],
[0, 0, 0, 85, 0, 69, 0, 0, 0, 0, 85, 0, 69, 0],
[0, 89, 56, 0, 0, 0, 0, 0, 89, 56, 0, 0, 0, 0]]

我的问题是为什么 row[0] 被视为一个完整列表而不是一个值？给出上述输出的属性是什么

Answer 1

它被视为完整列表，因为您已将其作为一个给出，并且您还在“功能”一栏下定义了它

当你说

df.rdd.map(lambda row: row[0]*2)

您只是问 Spark“我希望此列表中的所有值出现两次”。因此你得到了你所得到的输出。

现在如何获取列表中的单个值。

df = spark.createDataFrame([Row(0,45,63,0,0,0,0),
                       Row(0,0,0,85,0,69,0),
                       Row(0,89,56,0,0,0,0)],
                       ['feature1' , 'feature2' , 'feature3' , 'feature4', 'feature5' , 'feature6' , 'feature7'])

这应该使您可以访问专用列中的各个值。

注意:模式的语法只是表示。请参阅 Spark 文档了解确切的语法。

希望这有帮助:)