我试图了解在Kedro中将一个节点发出的Spark数据帧转换为另一个节点的输入所需的Pandas的最佳方法,而无需创建冗余转换步骤。
Kedro目前支持以下两种策略:
这需要一个定义两个DataCatalog
条目同样的数据集,在一个共同的格式相同的文件工作(实木复合地板,JSON,CSV,等),您catalog.yml
:
my_dataframe@spark:
type: kedro.contrib.io.pyspark.SparkDataSet
filepath: data/02_intermediate/data.parquet
my_dataframe@pandas:
type: ParquetLocalDataSet
filepath: data/02_intermediate/data.parquet
然后像这样在管道中使用它们:
Pipeline([
node(my_func1, "spark_input", "my_dataframe@spark"),
node(my_func2, "my_dataframe@pandas", "output"),
])
在这种情况下,应kedro
了解这my_dataframe
两种情况下的数据集相同,并正确解析节点的执行顺序。同时,kedro
将使用SparkDataSet
实现进行保存和ParquetLocalDataSet
加载,因此第一个节点应输出pyspark.sql.DataFrame
,而第二个节点将接收pandas.Dataframe
。
注意: Spark <-> Pandas
内存转换因其内存需求而臭名昭著,因此仅当已知数据帧较小时,这才是可行的选择。
可以按照文档装饰节点:
from spark import get_spark
from kedro.contrib.decorators import pandas_to_spark
@pandas_to_spark(spark_session)
def my_func3(data):
data.show() # data is pyspark.sql.DataFrame
甚至整个管道:
Pipeline([
node(my_func4, "pandas_input", "some_output"),
...
]).decorate(pandas_to_spark)
本文收集自互联网,转载请注明来源。
如有侵权,请联系 [email protected] 删除。
我来说两句