Мне нужно использовать
(rdd.)partitionBy(npartitions, custom_partitioner)
который недоступен в DataFrame. Все методы DataFrame относятся только к результатам DataFrame. Итак, как создать RDD из данных DataFrame?
Примечание: это изменение (в 1.3.0) с 1.2.0.
Обновить из ответа @dpangmao: метод .rdd. Мне было интересно понять, если (а) она была общедоступной и (б) каковы последствия для производительности.
Хорошо (a) - да и (b) - хорошо, вы можете видеть здесь, что есть существенные первоочередные последствия: новый RDD должен быть создан путем вызова mapPartitions:
В dataframe.py (обратите внимание, что имя файла также изменилось (было sql.py):
@property
def rdd(self):
"""
Return the content of the :class:`DataFrame` as an :class:`RDD`
of :class:`Row` s.
"""
if not hasattr(self, '_lazy_rdd'):
jrdd = self._jdf.javaToPython()
rdd = RDD(jrdd, self.sql_ctx._sc, BatchedSerializer(PickleSerializer()))
schema = self.schema
def applySchema(it):
cls = _create_cls(schema)
return itertools.imap(cls, it)
self._lazy_rdd = rdd.mapPartitions(applySchema)
return self._lazy_rdd