概要

Databricks にて共有アクセス（shared access mode）モードを利用して、 int64 のカラムをもつ Pandas を double 型のスキーマを指定して Spark データフレームに変換すると下記のようなエラーとなるようです。本エラーは今後の Databricks の機能アップデートにより解消されるかもしれませんが、備忘録として残しておきます。対応方法としては、Pandas にて int64 を double に変換する方法とシングルユーザーアクセスモードを利用する方法があります。

PySparkTypeError: [CANNOT_ACCEPT_OBJECT_IN_TYPE] DoubleType() can not accept object 1 in type int.

エラーの再現方法

1. 共有アクセス（shared access mode）モードのクラスターを作成

2. Pandas から Spark データフレームへの変換を実施してエラーとなることを確認

import pandas as pd

# int64 型のカラムを持つデータフレームを作成
pdf = pd.DataFrame({
    'numeric_col': pd.Series([1, 2, 3], dtype='int64')
})

# Pandas から Spark データフレームに変換
sdf = spark.createDataFrame(
    pdf,
    "numeric_col double",
)

sdf.display()

対応方法

1. Pandas にて int64 を double に変換する方法

import pandas as pd

# int64 型のカラムを持つデータフレームを作成
pdf = pd.DataFrame({
    'numeric_col': pd.Series([1, 2, 3], dtype='int64')
})

# numeric_col を double 型に変換
pdf['numeric_col'] = pdf['numeric_col'].astype('float64')

# Pandas から Spark データフレームに変換
sdf = spark.createDataFrame(
    pdf,
    "numeric_col double",
)

sdf.display()

2. シングルユーザーアクセスモードを利用する方法

import pandas as pd

# int64 型のカラムを持つデータフレームを作成
pdf = pd.DataFrame({
    'numeric_col': pd.Series([1, 2, 3], dtype='int64')
})

# Pandas から Spark データフレームに変換
sdf = spark.createDataFrame(
    pdf,
    "numeric_col double",
)

sdf.display()