使用pySpark迭代数据帧的每一行

Question

我需要使用pySpark遍历dataframe ，就像我们可以使用for循环迭代一组值一样。 以下是我编写的代码。 这段代码的问题是

1. 我必须使用collect打破并行性
2. 我无法从数据框的功能打印任何值funcRowIter
3. 找到匹配项后就无法中断循环。

我必须在pySpark中这样做，并且不能为此使用熊猫：

from pyspark.sql.functions import *
from pyspark.sql import HiveContext
from pyspark.sql import functions
from pyspark.sql import DataFrameWriter
from pyspark.sql.readwriter import DataFrameWriter
from pyspark import SparkContext

sc = SparkContext()
hive_context = HiveContext(sc)

tab = hive_context.sql("select * from update_poc.test_table_a")

tab.registerTempTable("tab")
print type(tab)

df = tab.rdd

def funcRowIter(rows):
    print type(rows)
        if(rows.id == "1"):
            return 1

df_1 = df.map(funcRowIter).collect()
print df_1

Answer 1

似乎您的目标是显示特定的行。 您可以使用.filter然后使用.collect 。

例如，

row_1 = rdd.filter(lambda x: x.id==1).collect()

但是，以这种方式尝试遍历您的数据框并不是有效的方法。

Answer 2

而不是使用df_1 = df.map(funcRowIter).collect() ，应尝试使用UDF。 希望这会有所帮助。

from pyspark.sql.functions import struct
from pyspark.sql.functions import *
def funcRowIter(rows):
    print type(rows)
    if(row is nor None and row.id is not None)
        if(rows.id == "1"):
            return 1
A = udf(funcRowIter, ArrayType(StringType()))
z = df.withColumn(data_id, A(struct([df[x] for x in df.columns])))
z.show()

对于大数据（即数百万条记录collect()将永远不是一个好的选择