如何使用 PySpark 中的 StructType 將浮點數轉換為 IntegerType？

Question

我正在嘗試從 Pandas 數據幀創建 Spark 數據幀，其中我使用 StructType class 指定列數據類型。 我已將 pandas 數據幀保存為 df，將 spark 數據幀保存為數據。

在我開始之前，csv 文件中的某處有一個錯誤，我使用了 pandas 的 read_csv 方法的參數 error_bad_lines。 我不熟悉火花等效物。

df = pd.read_csv('Amazon_Responded_Oct05.csv',error_bad_lines=False)
df.head()
>>>>
    user_id_str user_followers_count    text_
0   143515471.0 1503    @AmazonHelp Can you please DM me? A product I ...
1   85741735.0  149569  @SeanEPanjab I'm sorry, we're unable to DM you...
2   143515471.0 1503    @AmazonHelp It was purchased on... 
3   143515471.0 1503    @AmazonHelp I am following you now, if it help...
4   85741735.0  149569  @SeanEPanjab Please give us a call/chat so we ...

注意 user_id_str 列是如何填充浮點值的，即 143515471.0 下面是引發錯誤的地方。

data_schema = [StructField('user_followers_count',IntegerType(),True),
               StructField('user_id_str',StringType(),True),
               StructField('text',StringType(),True)]
final_struc = StructType(fields=data_schema)

data = spark.createDataFrame(df,schema=final_struc)
>>>>
TypeError: field user_followers_count: IntegerType can not accept object 143515471.0 in type <class 'float'>

我試圖從 pandas 端解決這個問題，但沒有成功

df.astype({'user_id_str': 'int','user_followers_count':'int','text_':'str'}).dtypes
df.head(1)
>>>>
    user_id_str user_followers_count    text_
0   143515471.0 1503    @AmazonHelp Can you please DM me? A product I ...

總之，我采取了各種方法來實現我的目標，創建了一個包含列數據類型、IntegerType、IntegerType、StringType 的 Spark 數據框，但均未成功。 我非常感謝一種強制這種數據轉換的方法。

編輯：

最后，我嘗試過從 Spark 開始； 但這也是徒勞的。

data_1 = spark.read.csv('Amazon_Responded_Oct05.csv',schema=final_struc,enforceSchema=True)
data_1.head(5)
>>>>
+--------------------+-----------+----+
|user_followers_count|user_id_str|text|
+--------------------+-----------+----+
|                null|       null|null|
|                null|       null|null|
|                null|       null|null|
|                null|       null|null|
|                null|       null|null|
+--------------------+-----------+----+
only showing top 5 rows

Answer 1

從 pandas dataframe 轉換為 pyspark Z6A8064B5DF479455500553C47DZ5，

from pyspark.sql import Row
import pandas as pd
from pyspark.sql.types import StructField, StructType, StringType, IntegerType

#create a sample pandas dataframe
data = {'a':['hello', 'hi', 'world'], 'b':[5.0, 6.4, 9.7], 'c':[1,2,3]}
df = pd.DataFrame(data)
'''
    a       b       c
0   hello   5.0     1
1   hi      6.4     2
2   world   9.7     3
'''

#convert second column type to integer
df = df.astype({'b':'int'})
df
'''
    a       b       c
0   hello   5       1
1   hi      6       2
2   world   9       3
'''

#prepare the schema
fields = [StructField('a',StringType(),True),\
               StructField('b',IntegerType(),True),\
               StructField('c',IntegerType(),True)]
schema = StructType(fields)


#convert to a pyspark dataframe
rows = [Row(**_) for _ in df.to_dict(orient='records')]
#[Row(a='hello', b=5, c=1), Row(a='hi', b=6, c=2), Row(a='world', b=9, c=3)]
df_sp = spark.createDataFrame(rows, schema)
df_sp.show()
# +-----+---+---+
# |    a|  b|  c|
# +-----+---+---+
# |hello|  5|  1|
# |   hi|  6|  2|
# |world|  9|  3|
# +-----+---+---+