Spark DataFrame方法“ toPandas”实际上在做什么？

Question

我是Spark-DataFrame API的初学者。

我使用此代码将制表符分隔的csv加载到Spark Dataframe中

lines = sc.textFile('tail5.csv')
parts = lines.map(lambda l : l.strip().split('\t'))
fnames = *some name list*
schemaData = StructType([StructField(fname, StringType(), True) for fname in fnames])
ddf = sqlContext.createDataFrame(parts,schemaData)

假设我从新文件中使用Spark创建了DataFrame，然后使用内置方法toPandas（）将其转换为熊猫，

• 是否将Pandas对象存储到本地内存？
• 熊猫的低级计算是否全部由Spark处理？
• 它是否公开了所有熊猫数据框功能？（我想是的）
• 我可以将它转换为熊猫并完成它，而无需动动DataFrame API吗？

Answer 1

使用spark将CSV文件读取到中pandas是实现将CSV文件读取到内存的最终目标的一种round回方法。

似乎您可能误解了此处使用的技术的用例。

Spark用于分布式计算（尽管可以在本地使用）。通常，它太重了，无法用于简单地读取CSV文件。

在您的示例中，该sc.textFile方法将简单地为您提供火花RDD，该火花RDD实际上是文本行列表。这可能不是您想要的。不会执行类型推断，因此，如果您想对CSV文件中的一列数字求和，则将无法执行，因为就Spark而言，它们仍然是字符串。

只需使用pandas.read_csv并将整个CSV读取到内存中即可。熊猫会自动推断每列的类型。Spark不会这样做。

现在回答您的问题：

它是否将Pandas对象存储到本地内存 ：

是。toPandas()会将Spark DataFrame转换成Pandas DataFrame，它当然在内存中。

熊猫的低级计算是否全部由Spark处理

否。熊猫运行自己的计算，spark和pandas之间没有相互作用，仅存在 一些 API兼容性。

它是否公开了所有熊猫数据框功能？

否。例如，Series对象具有interpolatePySparkColumn对象中不可用的方法。Pandas
API中有很多方法和函数，而PySpark API中没有。

我可以将它转换为Pandas并完成它，而无需过多接触DataFrame API吗？

绝对。实际上，在这种情况下，您甚至根本不应该使用Spark。pandas.read_csv除非你是一个工作很可能会处理你的使用情况 庞大 的数据量。

尝试使用简单，技术含量低，易于理解的库来解决您的问题，并且 仅 在需要 时才 去处理更复杂的问题。很多时候，您将不需要更复杂的技术。