13

我正在使用熊猫和火花数据框。数据帧总是非常大（> 20 GB），标准的火花函数不足以满足这些大小。目前我正在将我的熊猫数据框转换为像这样的火花数据框：

dataframe = spark.createDataFrame(pandas_dataframe)

我进行这种转换是因为使用 spark 将数据帧写入 hdfs 非常容易：

dataframe.write.parquet(output_uri, mode="overwrite", compression="snappy")

但是对于大于 2 GB 的数据帧，转换失败。如果我将 spark 数据框转换为 pandas，我可以使用 pyarrow：

// temporary write spark dataframe to hdfs
dataframe.write.parquet(path, mode="overwrite", compression="snappy")

// open hdfs connection using pyarrow (pa)
hdfs = pa.hdfs.connect("default", 0)
// read parquet (pyarrow.parquet (pq))
parquet = pq.ParquetDataset(path_hdfs, filesystem=hdfs)
table = parquet.read(nthreads=4)
// transform table to pandas
pandas = table.to_pandas(nthreads=4)

// delete temp files
hdfs.delete(path, recursive=True)

这是从 spark 到 pandas 的快速转换，它也适用于大于 2 GB 的数据帧。我还没有找到相反的方法。意味着有一个熊猫数据框，我在 pyarrow 的帮助下将其转换为火花。问题是我真的找不到如何将 pandas 数据帧写入 hdfs。

我的熊猫版本：0.19.0

4

4 回答 4

21

意味着有一个熊猫数据框，我在 pyarrow 的帮助下将其转换为火花。

pyarrow.Table.fromPandas是您正在寻找的功能：

Table.from_pandas(type cls, df, bool timestamps_to_ms=False, Schema schema=None, bool preserve_index=True)

Convert pandas.DataFrame to an Arrow Table

import pyarrow as pa

pdf = ...  # type: pandas.core.frame.DataFrame
adf = pa.Table.from_pandas(pdf)  # type: pyarrow.lib.Table

结果可以直接写入 Parquet / HDFS，无需通过 Spark 传递数据：

import pyarrow.parquet as pq

fs  = pa.hdfs.connect()

with fs.open(path, "wb") as fw
    pq.write_table(adf, fw)

也可以看看

火花笔记：

createDataFrame此外，由于（SPARK-20791 - 使用 Apache Arrow 改进来自 Pandas.DataFrame 的 Spark createDataFrame ）直接支持 Spark 2.3（当前主）Arrow 。它用于SparkContext.defaultParallelism计算块的数量，因此您可以轻松控制单个批次的大小。

finallydefaultParallelism可用于控制使用标准生成的分区数量_convert_from_pandas，有效地将切片的大小减小到更易于管理的程度。

不幸的是，这些不太可能解决您当前的内存问题。两者都依赖于parallelize，因此将所有数据存储在驱动节点的内存中。切换到箭头或调整配置只能加快进程或解决块大小限制。

实际上，只要您使用本地 PandasDataFrame作为输入，我看不出有任何理由在这里切换到 Spark。在这种情况下，最严重的瓶颈是驱动程序的网络 I/O，而分发数据无法解决这个问题。

于 2017-11-28T21:16:57.060 回答
1

来自https://issues.apache.org/jira/browse/SPARK-6235

支持并行化大于 2GB 的 R data.frame

已解决。

来自https://pandas.pydata.org/pandas-docs/stable/r_interface.html

将 DataFrame 转换为 R 对象

您可以将 pandas 数据帧转换为 R data.frame

那么也许转换 pandas -> R -> Spark -> hdfs？

于 2017-11-28T13:49:44.717 回答
1

另一种方法是将您的 pandas 数据帧转换为 spark 数据帧（使用 pyspark）并使用 save 命令将其保存到 hdfs。例子

    df = pd.read_csv("data/as/foo.csv")
    df[['Col1', 'Col2']] = df[['Col2', 'Col2']].astype(str)
    sc = SparkContext(conf=conf)
    sqlCtx = SQLContext(sc)
    sdf = sqlCtx.createDataFrame(df)

此处astype将列的类型从 更改object为string。这使您免于引发异常，因为 spark 无法识别 pandas type object。但请确保这些列确实是字符串类型。

现在将您的 df 保存在 hdfs 中：

    sdf.write.csv('mycsv.csv')
于 2019-03-12T13:41:55.057 回答
-1

一个hack可能是从大的创建N个pandas数据帧（每个小于2 GB）（水平分区）并创建N个不同的spark数据帧，然后合并（联合）它们以创建最后一个写入HDFS。我假设你的主机很强大，但你也有一个运行 Spark 的集群。

于 2017-11-28T15:07:11.890 回答