简介

DataFrame 结构代表的是数据的一个不可变分布式集合，其数据都被组织到有名字的列中，就像关系型数据库中的表一样。DataFrame 的目的就是要让对大型数据集的处理变得更简单，它让开发者可以为分布式的数据集指定一个模式，进行更高层次的抽象。
本文将着重介绍PySpark中DataFrame的各种创建方式，以及与RDD、Pandas之间的转换。

---

DataFrame的创建

1. 从RDD中创建

为了从存在的RDD结构中创建出DataFrame，我们先定义一些测试数据，如下：

data = [("Java", "20000"), ("Python", "100000"), ("Scala", "3000")] #list中的每一个元素都是元祖

接着先创建一个SparkSession，并通过调用SparkContext的parallelize()函数构造出一个RDD对象，代码如下：

import pyspark
from pyspark.sql import SparkSession, Row
from pyspark.sql.types import StructType,StructField, StringType, IntegerType

spark = SparkSession.builder.appName('SparkByExamples.com').getOrCreate()
rdd = spark.sparkContext.parallelize(data)

1.1 使用toDF()函数

RDD的toDF()方法是用来从一个存在的RDD结构中创建一个DataFrame对象，因为RDD是一个分布式的 Java对象的集合，故它没有包含列的信息，因此DataFrame采用的是默认的列。上面列举的测试数据一共有2列，分别用"_1"和“_2”来表示。

dfFromRDD1 = rdd.toDF()
dfFromRDD1.printSchema()

printSchema函数用于输出DataFrame的结构，即包含了哪些列，以及每一列的名称和类型等等，输出如下：

如果想给DataFrame中的每一列指定名称的话，我们可以在toDF函数中传入列的名称，如下：

columns = ["language","users_count"]
dfFromRDD1 = rdd.toDF(columns)
dfFromRDD1.printSchema()

这样输出DataFrame的结构信息的时候，就会包含列名称以及类型了，如下：

1.2 使用SparkSession中的createDataFrame()函数

我们可以直接使用createDataFrame函数来在一个原始list数据上创建一个DataFrame，并且叠加上toDF()操作，为每一列指定名称，代码如下：

dfFromRDD2 = spark.createDataFrame(rdd).toDF(*columns)
dfFromRDD2.printSchema()

输出与上图是一样的。

2. 从list对象中创建

2.1 使用createDataFrame函数并且指定行类型来创建

先将list中的每个元素都转换成一个PySpark中的row对象，接着使用createDataFrame函数来创建DataFram，代码如下：

rowData = map(lambda x: Row(*x), data)
dfFromData3 = spark.createDataFrame(rowData, columns)
dfFromData3.printSchema()
dfFromData3.show()

2.2 创建DataFrame时指定格式

如果在创建DataFrame的时候，同时想指定每一列的名称以及对应的类型，我们可以先创建一个StructType结构，然后再调用createDataFrame传入。

StructType会在下面的内容中讲述，这里就简单理解它指定了这两列的名称和类型，以及每个字段是否能为空。

schema = StructType([ \
    StructField("language",StringType(),True), \
    StructField("user_count",StringType(),True),
  ])

df = spark.createDataFrame(data, schema=schema)
df.printSchema()
df.show(truncate=False)

3. 从数据源文件中创建

大部分情况下，我们都是从CSV，文本，JSON，XML等数据源文件中实时创建DataFrame。PySpark默认就支持许多数据格式，因此并不需要再单独导入其他库，我们可以从DataFrameReader类中选择合适的方法来创建DataFrame。

3.1 从CSV文件中创建DataFrame

使用csv()方法从CSV文件中读取并创建一个DataFrame对象。（这里采用的是MovieLens数据集中的用户评分文件）。

df2 = spark.read.csv("/Downloads/ml-latest-small/ratings.csv")
df2.printSchema()
df2.show(truncate=False)

输出如下：

同理，也可以使用text()，json()等方法来读取TXT、Json等文件。

4. 创建带格式的空的DataFrame

有的时候我们并不是直接打开文件来进行处理，而是从网络或者其他地方获取到数据流，那此时创建一个空的DataFrame就很有必要。
一般有两种方式来创建空的DataFrame：

• 通过空的RDD结构来创建

schema = StructType([
  StructField('firstname', StringType(), True),
  StructField('middlename', StringType(), True),
  StructField('lastname', StringType(), True)
  ])

df = spark.createDataFrame(spark.sparkContext.emptyRDD(),schema)
df.printSchema()

• 种是通过空的list来创建

df1 = spark.sparkContext.parallelize([]).toDF(schema)
df1.printSchema()

df2 = spark.createDataFrame([], schema)
df2.printSchema()

输出均为：

---

DataFrame与Pandas、RDD的转换

RDD转DataFrame

这个上文已经提及了，使用toDF()函数便可以完成。

dept = [("Finance",10), 
        ("Marketing",20), 
        ("Sales",30), 
        ("IT",40) 
      ]
rdd = spark.sparkContext.parallelize(dept)
deptColumns = ["dept_name","dept_id"]
df = rdd.toDF(deptColumns)
df.printSchema()
df.show(truncate=False)

DataFrame转RDD

最简单的可以直接使用rdd函数：

rdd1 = df.rdd

或者使用：

rdd2 = df.rdd.map(tuple)

DataFrame转Pandas

PySpark中的DataFrame可以通过toPandas()函数转换成Python的Pandas DataFrame结构。这两者的主要区别是，pandas的操作都是在单个结点上执行的，而PySpark运行在多台机器上，因此在处理大量数据时，PySpark会比Pandas快数倍以上。

df.show()
pandas = df.toPandas()
pandas

结果如下：

注意，Pandas给数据添加了序号。

---

使用StructType和StructField来指定DataFrame的结构

在上面的例子中，其实我们已经使用过StructType和StructField了，这里再详细介绍一下。PySpark中的StructType和StructField是用来指定DataFrame的结构，并且可以用来创建一些复杂的列项，比如嵌套的结构体、数组等。 StructType是一系列StructField’s的集合，而StructField定义了列的名称，数据类型，以及通过布尔值来指定字段是否可以为空以及元数据等。
下面用一个例子来演示一下如何使用StructType和StructField来创建一个DataFrame。

import pyspark
from pyspark.sql import SparkSession
from pyspark.sql.types import StructType,StructField, StringType, IntegerType

spark = SparkSession.builder.master("local[1]") \
                    .appName('SparkByExamples.com') \
                    .getOrCreate()

data = [("James","","Smith","36636","M",3000),
    ("Michael","Rose","","40288","M",4000),
    ("Robert","","Williams","42114","M",4000),
    ("Maria","Anne","Jones","39192","F",4000),
    ("Jen","Mary","Brown","","F",-1)
  ]

schema = StructType([ \
    StructField("firstname",StringType(),True), \
    StructField("middlename",StringType(),True), \
    StructField("lastname",StringType(),True), \
    StructField("id", StringType(), True), \
    StructField("gender", StringType(), True), \
    StructField("salary", IntegerType(), True) \
  ])
 
df = spark.createDataFrame(data=data,schema=schema)
df.printSchema()
df.show(truncate=False)

输出：

定义嵌套结构

对于上面的DataFrame，其实我们很容易发现它有一些不合理的地方。比如前三列都是在表示名称，它们同属与一个名叫“name”的列才算是比较合理的。因此，我们可以重新定义一下结构，将"firstname"、“middlename”、“lastname”这三个字段合并为一个"name"字段，代码如下：

structureData = [
    (("James","","Smith"),"36636","M",3100),
    (("Michael","Rose",""),"40288","M",4300),
    (("Robert","","Williams"),"42114","M",1400),
    (("Maria","Anne","Jones"),"39192","F",5500),
    (("Jen","Mary","Brown"),"","F",-1)
  ]
structureSchema = StructType([
        StructField('name', StructType([
             StructField('firstname', StringType(), True),
             StructField('middlename', StringType(), True),
             StructField('lastname', StringType(), True)
             ])),
         StructField('id', StringType(), True),
         StructField('gender', StringType(), True),
         StructField('salary', IntegerType(), True)
         ])

df2 = spark.createDataFrame(data=structureData,schema=structureSchema)
df2.printSchema()
df2.show(truncate=False)

输出：

这里要注意一下，如果修改了StructType的结构，那么原始的list中也需要做相应的修改。

参考

• https://sparkbyexamples.com/pyspark/pyspark-row-using-rdd-dataframe/
• https://stackoverflow.com/questions/29000514/how-to-convert-a-dataframe-back-to-normal-rdd-in-pyspark