我是新来的pyspark。我想从输入文件中读取特定的列。我知道如何在熊猫中做到这一点如何阅读pyspark中的特定列?
df=pd.read_csv('file.csv',usecols=[0,1,2])
但是在pyspark中有没有类似于这个操作的功能?
我是新来的pyspark。我想从输入文件中读取特定的列。我知道如何在熊猫中做到这一点如何阅读pyspark中的特定列?
df=pd.read_csv('file.csv',usecols=[0,1,2])
但是在pyspark中有没有类似于这个操作的功能?
读一个CSV文件通常不是直线前进的@ zlidime的回答暗示。
如果该行在列内容中有;
个字符会怎么样?然后你需要解析引号,并且事先知道引用字符是什么。 或者,您可能想要跳过标题,或者解析它以获取列名称。
相反,如前所述here可以使用dataframes
df = sqlContext.read.format("com.databricks.spark.csv").option("header", "true").load("te2.csv")
以及查询的列,您可以使用:
df.col("col_1").cast("int")
嗨,你可以使用地图来选择特定的列
from pyspark import SQLContext
from pyspark import SparkConf, SparkContext
conf = SparkConf().setAppName("ReadCSV")
sc = SparkContext(conf=conf)
sqlctx = SQLContext(sc)
df=sc.textFile("te2.csv") \
.map(lambda line: line.split(";")) \
.map(lambda line: (line[0],line[3])) \
.toDF()