我来自Pandas 的背景,习惯于将CSV文件中的数据读取到数据框中,然后使用简单的命令将列名更改为有用的内容:
df.columns = new_column_name_list
但是,在使用sqlContext创建的pyspark数据帧中,这一点不起作用.
df = sqlContext.read.format("com.databricks.spark.csv").options(header='false', inferschema='true', delimiter='\t').load("data.txt")
oldSchema = df.schema
for i,k in enumerate(oldSchema.fields):
k.name = new_column_name_list[i]
df = sqlContext.read.format("com.databricks.spark.csv").options(header='false', delimiter='\t').load("data.txt", schema=oldSchema)
这基本上是两次定义变量,首先推断模式,然后重命名列名,然后用更新的模式再次加载数据帧.
有没有更好、更有效的方法来做这件事,就像我们在Pandas 身上做的那样?
我的spark版本是1.5.0