[解決済み] spark DataFrameのカラムをpythonのリストに変換する

質問

mvvとcountの2つの列を持つdataframeで作業しています。

+---+-----+
|mvv|count|
+---+-----+
| 1 |  5  |
| 2 |  9  |
| 3 |  3  |
| 4 |  1  |

mvvの値とcountの値を含む2つのリストを取得したいと思います。次のようなものです。

mvv = [1,2,3,4]
count = [5,9,3,1]

ということで、以下のコードを試してみました。最初の行は、行の Python リストを返すはずです。私は最初の値を見たかったのです。

mvv_list = mvv_count_df.select('mvv').collect()
firstvalue = mvv_list[0].getInt(0)

でも、2行目でエラーメッセージが出ます。

AttributeError: getIntです。

どのように解決するのですか？

なぜ、この方法がうまくいかないのかを見てみましょう。まず、整数を取得しようとしているのは 行 タイプで、コレクトの出力は次のようになります。

>>> mvv_list = mvv_count_df.select('mvv').collect()
>>> mvv_list[0]
Out: Row(mvv=1)

このようなものを取ると

>>> firstvalue = mvv_list[0].mvv
Out: 1

を取得します。 mvv の値を取得します。もし、配列の全ての情報が欲しければ、このようなものを取ることができます。

>>> mvv_array = [int(row.mvv) for row in mvv_list.collect()]
>>> mvv_array
Out: [1,2,3,4]

しかし、他の列で同じことを試すと、こうなります。

>>> mvv_count = [int(row.count) for row in mvv_list.collect()]
Out: TypeError: int() argument must be a string or a number, not 'builtin_function_or_method'

このようなことが起こるのは count は組み込みのメソッドだからです。そして、カラムは同じ名前を持つ count . これを行うための回避策は、カラム名を count を _count :

>>> mvv_list = mvv_list.selectExpr("mvv as mvv", "count as _count")
>>> mvv_count = [int(row._count) for row in mvv_list.collect()]

しかし、辞書構文を使用してカラムにアクセスできるため、この回避策は必要ありません。

>>> mvv_array = [int(row['mvv']) for row in mvv_list.collect()]
>>> mvv_count = [int(row['count']) for row in mvv_list.collect()]

そして、ついに動くようになるのです