用于在sparklyr中提取列名的简单命令(R spark)

2023年8月5日 323次阅读

在基数r中,很容易从数据框中提取列(变量)的名称

> testdf <- data.frame(a1 = rnorm(1e5), a2 = rnorm(1e5), a3 = rnorm(1e5), a4 = rnorm(1e5), a5 = rnorm(1e5), a6 = rnorm(1e5))  
> names(testdf)  
[1] "a1" "a2" "a3" "a4" "a5" "a6"

但是当使用sparklyr时,事情变得更加复杂.将数据帧复制到spark后,

> testdf_tbl <- copy_to(sc, testdf, overwrite = TRUE)  
> names(testdf_tbl)  
[1] "src" "ops"

变量名实际上位于’ops’的深处

> testdf_tbl$ops$vars  
[1] "a1" "a2" "a3" "a4" "a5" "a6"

如果这一切都没有问题(也没有必要问这个问题).但是,每次在testdf_tbl上发生操作时,列/变量的名称都会改变它们的位置,如下所示.

> testdf_tbl <- testdf_tbl %>% select(-a1)  
> testdf_tbl$ops$vars  
NULL  
> testdf_tbl$ops$x$vars  
[1] "a1" "a2" "a3" "a4" "a5" "a6"

另一个操作向路径添加另一个$x,依此类推.

> testdf_tbl <- testdf_tbl %>% select(-a2)  
> testdf_tbl$ops$x$vars  
NULL  
> testdf_tbl$ops$x$x$vars  
[1] "a1" "a2" "a3" "a4" "a5" "a6"

更糟糕的是,变量列表并不反映我们所做的选择操作,它们仍然将a1,a2列为列名.在哪里,

> head(testdf_tbl)  
Source:   query [?? x 4]  
Database: spark connection master=local[24] app=sparklyr local=TRUE  
        a3           a4          a5         a6  
        dbl          dbl         dbl        dbl  
1 -1.146368875  1.691698406  0.43231629  1.3349111  
2  0.664928710 -1.332242020  0.05380729  1.0139253  
3  1.158095695 -0.097098980 -0.61885204  0.1504693  
4  0.001595841 -0.003765908  0.27935192 -0.3039085  
5 -0.133446040  0.269329076  1.57210274  1.7762602  
6  0.006468698 -1.300439537  0.74057307  0.1320428

很明显,选择操作产生的影响是如何使用spark数据帧.

SURELY,有一种简单,直接的方法来提取sparklyr中的变量/列的当前名称,基本r中的la names().

最佳答案 正如凯文所说,tbl_vars有效,但如果你想让它更像“base-R”,那么colnames也会这样做.

点赞