将流水线 RDD 转换为 Spark 数据帧

问题描述

从这里开始：

items.take(2)
[['home','alone','apparently'],['st','louis','plant','close','die','old','age','workers','making','cars','since','onset','mass','automotive','production','1920s']]

type(items)
pyspark.rdd.PipelinedRDD

我想将其转换为 Spark 数据框，每个单词列表都有一列和一行。

解决方法

您可以使用 toDF 创建一个数据框，但请记住先将每个列表包装在一个列表中，以便 Spark 可以理解您每行只有一列。

df = items.map(lambda x: [x]).toDF(['words'])

df.show(truncate=False)
+------------------------------------------------------------------------------------------------------------------+
|words                                                                                                             |
+------------------------------------------------------------------------------------------------------------------+
|[home,alone,apparently]                                                                                         |
|[st,louis,plant,close,die,old,age,workers,making,cars,since,onset,mass,automotive,production,1920s]|
+------------------------------------------------------------------------------------------------------------------+

df.printSchema()
root
 |-- words: array (nullable = true)
 |    |-- element: string (containsNull = true)