如何閱讀pyspark中的特定列？

Question

我是新來的pyspark。我想從輸入文件中讀取特定的列。我知道如何在熊貓中做到這一點

df=pd.read_csv('file.csv',usecols=[0,1,2]) 

但是在pyspark中有沒有類似於這個操作的功能？

Answer 1

讀一個CSV文件通常不是直線前進的@ zlidime的回答暗示。

如果該行在列內容中有;個字符會怎麼樣？然後你需要解析引號，並且事先知道引用字符是什麼。 或者，您可能想要跳過標題，或者解析它以獲取列名稱。

相反，如前所述here可以使用dataframes

df = sqlContext.read.format("com.databricks.spark.csv").option("header", "true").load("te2.csv")

以及查詢的列，您可以使用：

df.col("col_1").cast("int")

Answer 2

嗨，你可以使用地圖來選擇特定的列

from pyspark import SQLContext 
from pyspark import SparkConf, SparkContext 
conf = SparkConf().setAppName("ReadCSV") 
sc = SparkContext(conf=conf) 
sqlctx = SQLContext(sc) 
df=sc.textFile("te2.csv") \ 
    .map(lambda line: line.split(";")) \ 
    .map(lambda line: (line[0],line[3])) \ 
    .toDF()