python |
您所在的位置:网站首页 › pyspark保存模型joblib文件到hdfs › python |
我正在使用 pandas 和 spark 数据帧。数据帧总是非常大(> 20 GB),标准的 spark 函数不足以满足这些大小。目前我正在将我的 pandas 数据框转换为这样的 spark 数据框: dataframe = spark.createDataFrame(pandas_dataframe)我进行这种转换是因为使用 spark 将数据帧写入 hdfs 非常容易: dataframe.write.parquet(output_uri, mode="overwrite", compression="snappy")但是对于大于 2 GB 的数据帧,转换失败。 如果我将 spark 数据框转换为 pandas,我可以使用 pyarrow: // temporary write spark dataframe to hdfs dataframe.write.parquet(path, mode="overwrite", compression="snappy") // open hdfs connection using pyarrow (pa) hdfs = pa.hdfs.connect("default", 0) // read parquet (pyarrow.parquet (pq)) parquet = pq.ParquetDataset(path_hdfs, filesystem=hdfs) table = parquet.read(nthreads=4) // transform table to pandas pandas = table.to_pandas(nthreads=4) // delete temp files hdfs.delete(path, recursive=True)这是从 spark 到 pandas 的快速转换,它也适用于大于 2 GB 的数据帧。我还找不到相反的方法。意思是有一个 pandas 数据框,我在 pyarrow 的帮助下将其转换为 spark。问题是我真的找不到如何将 pandas 数据帧写入 hdfs。 我的 Pandas 版本:0.19.0 最佳答案 Meaning having a pandas dataframe which I transform to spark with the help of pyarrow. pyarrow.Table.fromPandas是您正在寻找的功能: Table.from_pandas(type cls, df, bool timestamps_to_ms=False, Schema schema=None, bool preserve_index=True) Convert pandas.DataFrame to an Arrow Table import pyarrow as pa pdf = ... # type: pandas.core.frame.DataFrame adf = pa.Table.from_pandas(pdf) # type: pyarrow.lib.Table结果可以直接写入Parquet/HDFS,无需通过Spark传递数据: import pyarrow.parquet as pq fs = pa.hdfs.connect() with fs.open(path, "wb") as fw pq.write_table(adf, fw)另见 @WesMcKinney answer至 read a parquet files from HDFS using PyArrow . Reading and Writing the Apache Parquet Format在pyarrow documentation . Native Hadoop file system (HDFS) connectivity in PythonSpark 笔记: 此外,自 Spark 2.3(当前主版本)以来,createDataFrame(SPARK-20791 - Use Apache Arrow to Improve Spark createDataFrame from Pandas.DataFrame)直接支持 Arrow。它uses SparkContext.defaultParallelism to compute number of chunks这样您就可以轻松控制各个批处理的大小。 最后,defaultParallelism 可用于控制使用标准 _convert_from_pandas 生成的分区数量,有效地将切片的大小减小到更易于管理的程度。 不幸的是,这些不太可能解决您的 current memory problems .两者都依赖于parallelize,因此将所有数据存储在驱动程序节点的内存中。切换到 Arrow 或调整配置只能加快进程或解决 block 大小限制。 实际上,只要您使用本地 Pandas DataFrame 作为输入,我看不出有任何理由在这里切换到 Spark。这种情况下最严重的瓶颈是驱动程序的网络 I/O,而分发数据无法解决这个问题。 关于python - 如何将巨大的 Pandas 数据框保存到 hdfs?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/47393001/ |
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 win10的实时保护怎么永久关闭 |