14

我在 Spark 中创建 Row 对象。我不希望我的字段按字母顺序排列。但是，如果我执行以下操作，它们会按字母顺序排列。

row = Row(foo=1, bar=2)

然后它会创建一个如下所示的对象：

Row(bar=2, foo=1)

然后当我在这个对象上创建一个数据框时，列顺序将是 bar 第一， foo 第二，当我希望它反过来时。

我知道我可以使用“_1”和“_2”（分别代表“foo”和“bar”），然后分配一个模式（使用适当的“foo”和“bar”名称）。但是有什么方法可以防止 Row 对象对它们进行排序？

4

3 回答 3

15

火花 >= 3.0

在设置以下环境变量时，已使用SPARK-29748（删除 PySpark SQL 行创建导出中的字段排序）删除了字段排序，旧模式除外：

PYSPARK_ROW_FIELD_SORTING_ENABLED=true

火花 < 3.0

但是有什么方法可以防止 Row 对象对它们进行排序？

没有。如果您提供kwargs参数将按名称排序。确定性行为需要排序，因为 3.6 之前的 Python 不保留关键字参数的顺序。

只需使用普通元组：

rdd = sc.parallelize([(1, 2)])

并将模式作为参数传递给RDD.toDF（不要与 混淆DataFrame.toDF）：

rdd.toDF(["foo", "bar"])

或createDataFrame：

from pyspark.sql.types import *

spark.createDataFrame(rdd, ["foo", "bar"])

# With full schema
schema = StructType([
    StructField("foo", IntegerType(), False),
    StructField("bar", IntegerType(), False)])

spark.createDataFrame(rdd, schema)

您还可以使用namedtuples：

from collections import namedtuple

FooBar = namedtuple("FooBar", ["foo", "bar"])
spark.createDataFrame([FooBar(foo=1, bar=2)])

最后，您可以按以下方式对列进行排序select：

sc.parallelize([Row(foo=1, bar=2)]).toDF().select("foo", "bar")
于 2016-02-11T15:50:48.163 回答
3

从文档：

Row 也可以用来创建另一个 Row 类，然后它可以用来创建 Row 对象

在这种情况下，列的顺序被保存：

>>> FooRow = Row('foo', 'bar')
>>> row = FooRow(1, 2)
>>> spark.createDataFrame([row]).dtypes
[('foo', 'bigint'), ('bar', 'bigint')]
于 2017-02-07T12:05:59.760 回答
3

如何对原始模式进行排序以匹配 RDD 的字母顺序：

schema_sorted = StructType()
structfield_list_sorted = sorted(df.schema, key=lambda x: x.name)
for item in structfield_list_sorted:
    schema_sorted.add(item)
于 2018-03-05T16:38:24.467 回答