Remodelagem / rotação de dados no Spark RDD e / ou Spark DataFrames
Eu tenho alguns dados no seguinte formato (RDD ou Spark DataFrame):
from pyspark.sql import SQLContext
sqlContext = SQLContext(sc)
rdd = sc.parallelize([('X01',41,'US',3),
('X01',41,'UK',1),
('X01',41,'CA',2),
('X02',72,'US',4),
('X02',72,'UK',6),
('X02',72,'CA',7),
('X02',72,'XX',8)])
# convert to a Spark DataFrame
schema = StructType([StructField('ID', StringType(), True),
StructField('Age', IntegerType(), True),
StructField('Country', StringType(), True),
StructField('Score', IntegerType(), True)])
df = sqlContext.createDataFrame(rdd, schema)
O que eu gostaria de fazer é 'remodelar' os dados, converter determinadas linhas no país (especificamente EUA, Reino Unido e CA) em colunas:
ID Age US UK CA
'X01' 41 3 1 2
'X02' 72 4 6 7
Essencialmente, eu preciso de algo como o Pythonpivot
fluxo de trabalho:
categories = ['US', 'UK', 'CA']
new_df = df[df['Country'].isin(categories)].pivot(index = 'ID',
columns = 'Country',
values = 'Score')
Meu conjunto de dados é bastante grande, então não possocollect()
e ingerir os dados na memória para fazer a remodelagem no próprio Python. Existe uma maneira de converter o Python.pivot()
em uma função invocável ao mapear um RDD ou um Spark DataFrame? Qualquer ajuda seria apreciada!