对于Pyspark文档显示被构造DataFrames sqlContext
,sqlContext.read()
和各种的其他方法.
(参见https://spark.apache.org/docs/1.6.2/api/python/pyspark.sql.html)
是否有可能将Dataframe子类化并独立实例化它?我想为基本DataFrame类添加方法和功能.
这真的取决于你的目标.
从技术上讲,这是可能的.pyspark.sql.DataFrame
只是一个简单的Python类.如果需要,您可以扩展它或猴子补丁.
from pyspark.sql import DataFrame class DataFrameWithZipWithIndex(DataFrame): def __init__(self, df): super(self.__class__, self).__init__(df._jdf, df.sql_ctx) def zipWithIndex(self): return (self.rdd .zipWithIndex() .map(lambda row: (row[1], ) + row[0]) .toDF(["_idx"] + self.columns))
用法示例:
df = sc.parallelize([("a", 1)]).toDF(["foo", "bar"]) with_zipwithindex = DataFrameWithZipWithIndex(df) isinstance(with_zipwithindex, DataFrame)
True
with_zipwithindex.zipWithIndex().show()
+----+---+---+
|_idx|foo|bar|
+----+---+---+
| 0| a| 1|
+----+---+---+
实际上,你在这里做不了多少.DataFrame
是一个围绕JVM对象的瘦包装器,除了提供文档字符串,将参数转换为本机所需的表单,调用JVM方法以及在必要时使用Python适配器包装结果之外,没有多大帮助.
使用普通的Python代码,您甚至无法靠近DataFrame
/ Dataset
内部或修改其核心行为.如果你正在寻找独立的,Python只有Spark DataFrame
实现,那是不可能的.