pyspark：dataframe 来自包含列表列表的 rdd

Question

我是 Spark（使用 Python）的新手，即使在浏览了相关帖子后也无法弄清楚这一点。

我有一个 RDD。 RDD的每条记录都是如下列表的列表

[[1073914607, 0, -1],[1073914607, 2, 7.88],[1073914607, 0, -1],[1073914607, 4, 40.0]]
[[1074079003, 0, -1],[1074079003, 2, 2.87],[1074079003, 0, -1],[1074079003, 4, 35.2]]

我想将 RDD 转换为具有 3 列的 dataframe，基本上堆叠所有元素列表。 dataframe 应如下所示。

account_id  product_id  price
1073914607    0         -1
1073914607    2         7.88
1073914607    0         -1
1073914607    4         40
1074079003    0         -1
1074079003    2         2.87
1074079003    0         -1
1074079003    4         35.2

我试过my_rdd.toDF() ，但它给了我两行和四列，每个元素列表在一列中。 我还尝试了其他帖子中建议的一些可能相关的解决方案。 由于我是 spark 的新手，所以我遇到了各种我可以弄清楚的错误。 请帮忙。 谢谢。

添加于 07/28/2021 。 最后我做了以下循环遍历每个元素并生成一个长列表并将其转换为 dataframe。可能这不是最有效的方法但它解决了我的问题。

    result_lst=[]
    
    for x in my_rdd.toLocalIterator():
        for y in x:
            result_lst.append(y)
    
    result_df=spark.createDataFrame(result_lst, ['account_id','product_id','price'])

Answer 1

>>> data = ([[1,2],[1,4]],[[2,5],[2,6]])
>>> df = sc.parallelize(data).toDF(['c1','c2'])

>>> df.show()
+------+------+
|    c1|    c2|
+------+------+
|[1, 2]|[1, 4]|
|[2, 5]|[2, 6]|
+------+------+

>>> df1 = df.select(df.c1.alias('c3')).union(df.select(df.c2).alias('c3'))
>>> df1.show()
+------+
|    c3|
+------+
|[1, 2]|
|[2, 5]|
|[1, 4]|
|[2, 6]|
+------+

>>> df1.select(df1.c3,df1.c3[0],df1.c3[1]).show()
+------+-----+-----+
|    c3|c3[0]|c3[1]|
+------+-----+-----+
|[1, 2]|    1|    2|
|[2, 5]|    2|    5|
|[1, 4]|    1|    4|
|[2, 6]|    2|    6|
+------+-----+-----+

Answer 2

后来我用下面的另一种方式解决了这个问题，没有将rdd带入Localiterator()并循环遍历。 我想这种新方法效率更高。

from pyspark.sql.functions import explode
from pyspark.sql import Row
df_exploded=my_rdd.map(lambda x : Row(x)).toDF().withColumn('_1', explode('_1'))
result_df=df_exploded.select([df_exploded._1[i] for i in range(3)]).toDF('account_id','product_id','price')