PySpark数据分析基础：PySpark Pandas创建、转换、查询、转置、排序操作详解

前言

时至如今Pandas仍然是十分火热的基于Python的数据分析工具，与numpy、matplotlib称为数据分析三大巨头，是学习Python数据分析的必经之路。Pandas提供了大量能使我们快速便捷地处理数据的函数和方法，它是使Python成为强大而高效的数据分析环境的重要因素之一。因此我们做分布式数据分析也同样离不开Pandas的支持。Spark中的PySpark是内嵌有Pandas接口的：

使用方式和直接使用Pandas库是有所不同的，本篇文章将使用pyspark的pandas和pandas两种数据操作方式来展示pyspark的pandas该如何灵活使用来进行数据分析。

文章还是紧接上篇文章：

PySpark数据分析基础：PySpark基础功能及基础语法详解

一、Pandas数据结构

Pandas数据结构是通用了，共有六种数据结构，想要详细了解可以去看我这篇文章：一文速学-数据分析之Pandas数据结构和基本操作代码：

1.Series

Series要理解很简单，就像它的单词为系列的意思。类似与数据结构中的字典有索引和对应值，也可以理解为数组，在Series中的下标1,2,3,...索引对应它的不同值。

    ![](https://img-blog.csdnimg.cn/0dc0a7b2761840639fdd9f21b73f8467.png)

2.DataFrame

刚才从Series转化为DataFrame就可以看出DataFrame的格式就像一张表格，包含行和列索引。通过对应的行列对DataFrame进行操作，更像是对SQL中表格处理，两者有一定的类似之处。因此学过SQL的对DataFrane的操作更容易了解。

3.Time-Series

以时间为索引的Series。

4.Panel

三维的数组，可以理解为DataFrame的容器。

5.Panel4D

像Panel一样的4维数据容器。

6.PanelND

拥有factory集合，可以创建像Panel4D一样N维命名容器的模块。

后面四个用的场景十分少见，Series和DataFrame是最常用的数据类型，掌握这两个数据结构操作方法足够进行数据分析。

二、Pyspark实例创建

1.引入库

import pandas as pd
import numpy as np
import pyspark.pandas as ps
from pyspark.sql import SparkSession

如果运行上述代码有 WARNING:root:‘PYARROW_IGNORE_TIMEZONE‘ environment variable was not set.可以加上：

import os
os.environ["PYARROW_IGNORE_TIMEZONE"] = "1"

2.转换实现

通过传递值列表，在Spark上创建pandas，让pandas API在Spark上创建默认整数索引：

pyspark pandas series创建

和pandas是一样的

s = ps.Series([1, 3, 5, np.nan, 6, 8])

pyspark pandas dataframe创建

和pandas也是一样的：

ps_df=ps.DataFrame(
    {'name':['id1','id2','id3','id4'],
     'old':[21,23,22,35],
     'city':['杭州','北京','南昌','上海']
    },
    index=[1,2,3,4])

from_pandas转换

我们先用pandas创建一个普通的DataFrame：

pd_df=pd.DataFrame(
    {'name':['id1','id2','id3','id4'],
     'old':[21,23,22,35],
     'city':['杭州','北京','南昌','上海']
    },
    index=[1,2,3,4])

之后直接使用from_pandas开始转换就可以了:

ps_df=ps.from_pandas(pd_df)
type(ps_df)

Spark DataFrame转换

也可以通过Pandas的DataFrame转换为Spark DataFrame：

spark = SparkSession.builder.getOrCreate()
sp_df=spark.createDataFrame(pd_df)
sp_df.show()

通过Spark DataFrame转换为PySpark DataFrame：

ps_df=sp_df.pandas_api()

且和pandas一样查看数据类型方法是一样的：

ps_df.dtypes

Spark DataFrame中的数据在默认情况下并不保持自然顺序。

通过设置

compute.ordered_head

可以保持自然顺序,但它会导致内部排序的性能开销。

ps_df.head()

三、PySpark Pandas操作

1.读取行列索引

读取行索引：

ps_df.index

Int64Index([0, 1, 2, 3], dtype='int64')

读取列索引：

ps_df.columns

Index(['name', 'old', 'city'], dtype='object')

2.内容转换为数组

ps_df.to_numpy()

3.DataFrame统计描述

ps_df.describe()

描述的数值均为float

4.转置

ps_df.T

转置内容old列为int64，转置会报错，需要先转换为str再进行转置：

ps_df['old']=ps_df['old'].astype(str)
ps_df.T

5.排序

按行索引排序

ps_df.sort_index(ascending=False)

按某列值排序

ps_df.sort_values(by='old')

点关注，防走丢，如有纰漏之处，请留言指教，非常感谢

以上就是本期全部内容。我是fanstuck ，有问题大家随时留言讨论 ，我们下期见。