У меня есть некоторые данные в следующем формате (RDD или Spark DataFrame):
from pyspark.sql import SQLContext
sqlContext = SQLContext(sc)
rdd = sc.parallelize([('X01',41,'US',3),
('X01',41,'UK',1),
('X01',41,'CA',2),
('X02',72,'US',4),
('X02',72,'UK',6),
('X02',72,'CA',7),
('X02',72,'XX',8)])
# convert to a Spark DataFrame
schema = StructType([StructField('ID', StringType(), True),
StructField('Age', IntegerType(), True),
StructField('Country', StringType(), True),
StructField('Score', IntegerType(), True)])
df = sqlContext.createDataFrame(rdd, schema)
Что я хотел бы сделать, так это "переформатировать" данные, преобразовать определенные строки в стране (в частности, США, Великобритания и ЦС) в столбцы:
ID Age US UK CA
'X01' 41 3 1 2
'X02' 72 4 6 7
По сути, мне нужно что-то в строках рабочего процесса Python pivot
:
categories = ['US', 'UK', 'CA']
new_df = df[df['Country'].isin(categories)].pivot(index = 'ID',
columns = 'Country',
values = 'Score')
Мой набор данных довольно большой, поэтому я действительно не могу collect()
и глотать данные в памяти, чтобы выполнить преобразование в самом Python. Есть ли способ конвертировать Python .pivot()
в вызывающую функцию при сопоставлении RDD или Spark DataFrame? Любая помощь будет оценена!