4

我正在尝试将函数应用于 pyspark 中的每组数据集。我得到的第一个错误是

Py4JError: An error occurred while calling o62.__getnewargs__. Trace:
py4j.Py4JException: Method __getnewargs__([]) does not exist

为了解决上述问题，我删除了 spark 功能（我有spark.range()）。现在错误已解决，但我现在得到以下信息：

File "/opt/cloudera/parcels/SPARK2-2.3.0.cloudera2-1.cdh5.13.3.p0.316101/lib/spark2/python/pyspark/serializers.py", line 276, in load_stream
    import pyarrow as pa
ImportError: No module named pyarrow

但是当我自己尝试它时，它可以工作，即。

df = pd.DataFrame({"a": [1, 2, 3]})
pa.Table.from_pandas(df)
pyarrow.Table
a: int64
__index_level_0__: int64
metadata
--------
{'pandas': '{"pandas_version": "0.23.0", "index_columns": ["__index_level_0__"], "columns": [{"metadata": null, "field_name": "a", "name": "a", "numpy_type": "int64", "pandas_type": "int64"}, {"metadata": null, "field_name": "__index_level_0__", "name": null, "numpy_type": "int64", "pandas_type": "int64"}], "column_indexes": [{"metadata": null, "field_name": null, "name": null, "numpy_type": "object", "pandas_type": "bytes"}]}'}

失败的例子——取自这里

import pyspark.sql.functions as F
import pandas as pd

cols = ['id', 'val']
vals = [('A', 5), ('A', 3), ('A', 7), ('B', 12), ('B', 15), ('C', 3)]
d1 = sqlContext.createDataFrame(vals, cols)

>>> @F.pandas_udf(d1.schema, F.PandasUDFType.GROUPED_MAP)
... def subtract_mean(pdf):
...     return pdf.assign(v=pdf.v - pdf.v.mean())
...
>>> try1 = d1.groupby('id').apply(subtract_mean)
>>> try1.show()

如果我尝试转换为 pandas 数据框，它不起作用，因为它没有该schema属性。

我在这里想念什么？

4

2 回答 2

6

pyarrow必须存在于每个工作节点的路径上。

  • 如果您将此代码作为单个节点运行，请确保PYSPARK_PYTHON（以及可选的）与您用于测试代码PYTHONPATH的解释器相同。pyarrow
  • 如果您使用集群，请确保pyarrow在每个节点上都安装了集群，此外还有上述几点。

此外，确保安装pyarrow的版本大于或等于支持的最低版本（今天为 0.8）——尽管这会导致不同的异常。

于 2018-06-28T13:54:24.147 回答
0

添加到接受的答案：

一个问题可能是用户委托：即

  • 安装的python模块userx
  • spark-submit 由userx
  • 但是spark是技术用户对工人执行逻辑。
    （在幕后，你没有注意到）。

可能spark是没有看到模块。

要解决这个问题：
su as spark，并通过 install 安装缺少的模块pip（在所有工作人员上）

那为我修好了。

编辑：
根据您的设置，pysparkshell 可能仍然能够看到您的模块。

于 2022-02-14T20:18:14.060 回答