Spark中RDD和Dataframe的区别是什么
我浏览了一下Spark中RDD和Dataframe的链接有什么区别？
>
我们可以在spark上运行Pandas、numpy数据帧功能吗。对于numpy，np。像df这样的熊猫在哪里和在哪里。分组依据[“”]。agg（）
共有1个答案
对于结构化数据，您不需要使用RDD。您可以将Dataframe或Dataset用于Scala和Java。对于Python，您需要使用Dataframe。请参阅官方指南。
对于非结构化数据，您仍然需要使用RDD。
Dataframe通常提供最快的性能（根据Mathei的书）。
dataframe语法（使用Spark SQL）可以支持几乎所有类似SQL的函数。您也可以使用熊猫，请参阅熊猫指南。
考拉项目支持在Spark上使用panda的语法。比起熊猫，我更喜欢用这个。这是考拉指南。
-
嗨，我对apache spark比较陌生。我想了解RDD、dataframe和数据集之间的区别。 例如，我从s3存储桶中提取数据。 在这种情况下，当我从s3加载数据时，什么是RDD？另外，由于RDD是不可变的，所以我可以更改df的值，使df不能是RDD。 如果有人能解释RDD、数据帧和数据集之间的区别，我将不胜感激。
-
在Apache Spark中，这些API之间有什么区别？为什么以及什么时候我们应该选择其中一个？
-
我仍在努力理解最近推出的Spark数据集的全部功能。 是否有关于何时使用RDD和何时使用数据集的最佳实践？ Databricks在他们的公告中解释说，通过使用数据集，可以实现运行时和内存的惊人减少。尽管如此，据称数据集的设计“与现有RDD API协同工作”。 这仅仅是对向下兼容性的引用，还是有人更愿意在数据集上使用RDD的场景？
-
我在读spark教科书，我看到了转换和动作，我又读了rdd函数，所以我很困惑，谁能解释一下转换和spark rdd函数之间的基本区别呢。 两者都用于更改rdd数据内容并返回一个新的rdd，但我想知道确切的解释。
-
定义如下： RDD是不可变的分布式对象集合 我不太明白这是什么意思。它像存储在硬盘上的数据（分区对象）吗？如果是这样，那么RDD为什么可以有用户定义的类（如java、scala或python） 通过此链接：https://www.safaribooksonline.com/library/view/learning-spark/9781449359034/ch03.html它提到： 用户通过两种方
-
我开始阅读《Spark权威指南大数据处理变得简单》一书，学习Spark。当我阅读时，我看到一句话：“DataFrame是最常见的结构化API，它只是用行和列表示一个数据表。”我无法理解为什么RDD和数据帧被称为API？