将标准 python 键值字典列表转换为 pyspark 数据框

Question

考虑我有一个 python 字典键值对列表，其中键对应于表的列名，因此对于下面的列表，如何将其转换为带有两个 cols arg1 arg2 的 pyspark 数据框？

 [{"arg1": "", "arg2": ""},{"arg1": "", "arg2": ""},{"arg1": "", "arg2": ""}]

我如何使用以下构造来做到这一点？

df = sc.parallelize([
    ...
]).toDF

上面代码中 arg1 arg2 的位置（...）

Answer 1

旧方式：

sc.parallelize([{"arg1": "", "arg2": ""},{"arg1": "", "arg2": ""},{"arg1": "", "arg2": ""}]).toDF()

新方法：

from pyspark.sql import Row
from collections import OrderedDict

def convert_to_row(d: dict) -> Row:
    return Row(**OrderedDict(sorted(d.items())))

sc.parallelize([{"arg1": "", "arg2": ""},{"arg1": "", "arg2": ""},{"arg1": "", "arg2": ""}]) \
    .map(convert_to_row) \ 
    .toDF()

Answer 2

对于任何寻找不同解决方案的人，我发现这对我有用：我有一个带有键值对的字典 - 我希望将其转换为两个 PySpark 数据框列：

所以

{k1:v1, k2:v2 ...}

成为

 ---------------- 
| col1   |  col2 |
|----------------|
| k1     |  v1   |
| k2     |  v2   |
 ----------------

lol= list(map(list, mydict.items()))
df = spark.createDataFrame(lol, ["col1", "col2"])

Answer 3

我不得不修改接受的答案，以便它在运行 Spark 2.0 的 Python 2.7 中对我有用。

from collections import OrderedDict
from pyspark.sql import SparkSession, Row

spark = (SparkSession
        .builder
        .getOrCreate()
    )

schema = StructType([
    StructField('arg1', StringType(), True),
    StructField('arg2', StringType(), True)
])

dta = [{"arg1": "", "arg2": ""}, {"arg1": "", "arg2": ""}]

dtaRDD = spark.sparkContext.parallelize(dta) \
    .map(lambda x: Row(**OrderedDict(sorted(x.items()))))

dtaDF = spark.createDataFrame(dtaRdd, schema) 

Answer 4

假设您的数据是结构而不是字符串字典，您可以这样做

newdf = df.select(['df.arg1','df.arg2'])

Answer 5

其他答案有效，但这里还有一个适用于嵌套数据的单行。 它可能不是最有效的，但如果你从内存字典中创建一个 DataFrame，你要么使用像测试数据这样的小数据集，要么错误地使用 spark，所以效率真的不应该是一个问题：

d = {any json compatible dict}
spark.read.json(sc.parallelize([json.dumps(d)]))