环境安装
pyspark支持通过pypip、conda下载,或者手动下载。
笔者通过
pip install
命令从pypip下载并配置安装了3.5.0版本的Spark。
创建实例
使用spark的第一步就是拿到一个
SparkSession
对象。最简单的方法是
SparkSession.builder.getOrCreate()
即,直接使用默认参数创建实例。也可以做一些配置,比如
SparkSession.builder \
.appName(app_name) \
.enableHiveSupport() \
.getOrCreate()
DataFrame
创建DataFrame
DataFrame
是类似
pandas
库中的
DataFrame
的类型,可以转换为SparkSession支持的View。
创建一个
DataFrame
通常使用
SparkSession#createDataFrame
命令。如要创建一个
DataFrame
满足第一列的名称是
integer_value
,类型是整形;第二列的名称是
text_value
,类型是字符串;共有三行数据,分别为(1, ‘a’), (2, ‘b’), (3, ‘abcdefghijklmnopqrstuvwxyz’),则可以使用下面命令创建
data_frame: pyspark.sql.DataFrame = spark.createDataFrame([
Row(integer_value=1, text_value='a'),
Row(integer_value=2, text_value='b'),
Row(integer_value=3, text_value='abcdefghijklmnopqrstuvwxyz'),], schema='integer_value int, text_value string')
查看DataFrame
- 使用
DataFrame#show
可以查看数据内容。 - 使用
DataFrame#printSchema
可以查看数据结构。
show
执行
data_frame.show()
即可查看
DataFrame
数据内容,得到结果如下:
+-------------+--------------------+
|integer_value| text_value|
+-------------+--------------------+
| 1| a|
| 2| b|
| 3|abcdefghijklmnopq...|
+-------------+--------------------+
show
方法其实有三个参数如下:
参数名类型描述nint只取头部的n个数据,不传取所有数据truncateUnion[bool, int]不填或者True或者小于等于0的整数:
如果字段长度不超过20个字符,则全部展示;
如果字段长度超过20,则只展示前面17个字符,跟随
...
表示只展示部分
False:
展示字段的全部内容
大于0的整数:假设数字为
num
。
如果字段长度不超过
num
,则全部展示;
如果字段长度超过
num
,而且
num > 3
,则只展示前面
num-3
个字符,跟随
...
表示只展示部分
如果字段长度超过
num
,而且
num ≤ 3
,则只展示前面
num
个字符verticalbool是否竖向展示数据。
不填或者False:表格形式展示数据
True:键值对列表形式展示数据
取
n=2
,执行
data_frame.show(n=2)
得到结果如下:
+-------------+----------+
|integer_value|text_value|
+-------------+----------+
| 1| a|
| 2| b|
+-------------+----------+
取
truncate=3
,执行
data_frame.show(truncate=3)
,得到结果如下:
+-------------+----------+
|integer_value|text_value|
+-------------+----------+
| 1| a|
| 2| b|
| 3| abc|
+-------------+----------+
取
truncate=4
,执行
data_frame.show(truncate=4)
,得到结果如下:
+-------------+----------+
|integer_value|text_value|
+-------------+----------+
| 1| a|
| 2| b|
| 3| a...|
+-------------+----------+
取
truncate=True
,执行
data_frame.show(truncate=True)
,得到结果如下:
+-------------+--------------------+
|integer_value| text_value|
+-------------+--------------------+
| 1| a|
| 2| b|
| 3|abcdefghijklmnopq...|
+-------------+--------------------+
取
vertical=True
,执行
data_frame.show(vertical=True)
,得到结果如下:
-RECORD 0-----------------------------
integer_value | 1
text_value | a
-RECORD 1-----------------------------
integer_value | 2
text_value | b
-RECORD 2-----------------------------
integer_value | 3
text_value | abcdefghijklmnopq...
columns
获取 列名组成的列表。执行
print(data_frame.columns)
得到打印结果如下:
['integer_value', 'text_value']
printSchema
执行
data_frame.printSchema()
查看
DataFrame
结构,得到结果如下:
root
|-- integer_value: integer (nullable = true)
|-- text_value: string (nullable = true)
select
select
方法可以案列打印数据,如执行
data_frame.select("integer_value", "text_value").show()
得到结果:
+-------------+--------------------+
|integer_value| text_value|
+-------------+--------------------+
| 1| a|
| 2| b|
| 3|abcdefghijklmnopq...|
+-------------+--------------------+
执行
data_frame.select("integer_value").show()
得到结果:
+-------------+
|integer_value|
+-------------+
| 1|
| 2|
| 3|
+-------------+
describe
describe
方法用于计算数据的基本统计特征,包括数量(count)、平均数(mean)、标准差(stddev)、最小值(min)、最大值(max)等。
执行
data_frame.describe().show()
得到结果:
+-------+-------------+----------+
|summary|integer_value|text_value|
+-------+-------------+----------+
| count| 3| 3|
| mean| 2.0| NULL|
| stddev| 1.0| NULL|
| min| 1| a|
| max| 3| b|
+-------+-------------+----------+
describe
方法也可以指定列计算。执行
ddata_frame.describe(['integer_value', 'text_value']).show()
得到相同结果
summary
summary
方法和
describe
一样,用于计算数据的基本统计特征,不能指定要统计的列,但是拥有更多字段,包括数量(count)、平均数(mean)、标准差(stddev)、最小值(min)、25%位数(25%)、中位数(100%)、75%位数(75%)、最大值(max)等。
执行
data_frame.summary().show()
得到结果:
+-------+-------------+----------+
|summary|integer_value|text_value|
+-------+-------------+----------+
| count| 3| 3|
| mean| 2.0| NULL|
| stddev| 1.0| NULL|
| min| 1| a|
| 25%| 1| NULL|
| 50%| 2| NULL|
| 75%| 3| NULL|
| max| 3| b|
+-------+-------------+----------+
配合
select
方法指定目标列,即可解决
summary
方法不能指定列的问题。
collect
collect
方法用于将
DataFrame
中的数据写入内存中,数据量太大可能导致
out-of-memory
异常。执行
print(data_frame.collect())
得到打印结果:
[Row(integer_value=1, text_value='a'), Row(integer_value=2, text_value='b'), Row(integer_value=3, text_value='abcdefghijklmnopqrstuvwxyz')]
take和tail
数据量太大的情况下使用
collect
方法可能导致内存溢出,
take
方法和
tail
方法通过限制查询的数据条数,来规避此问题。
take
方法支持从前往后查询指定个数的数据;
tail
方法支持从后往前查询指定个数的数据。
filter
filter
方法支持对
DataFrame
中的数据进行过滤,便于准确找到目标数据。执行
data_frame.filter('integer_value > 1').show()
,得到结果:
+-------------+--------------------+
|integer_value| text_value|
+-------------+--------------------+
| 2| b|
| 3|abcdefghijklmnopq...|
+-------------+--------------------+
列名
直接
.列名
就可以获得列对象,执行
print(data_frame.integer_value)
,得到结果
Column<'integer_value'>
;执行
data_frame.select(data_frame.integer_value).show()
,得到结果
+-------------+
|integer_value|
+-------------+
| 1|
| 2|
| 3|
+-------------+
DataFrame的修改
toPandas
toPandas
方法用于把
pyspark
的
DataFrame
类型数据转换为
pandas
的
DataFrame
类型数据。和
collect
方法一样,如果数据量太大,可能导致
out-of-memory
异常。
withColumn
withColumn
会生成一个新的
DataFrame
实例,内部数据和有原有
DataFrame
数据新增或更新一列,后相同,原有
DataFrame
的值不变。
执行
data_frame.withColumn('upper_text', pyspark.sql.functions.upper(data_frame.text_value)).show()
,得到结果:
+-------------+--------------------+--------------------+
|integer_value| text_value| first_char|
+-------------+--------------------+--------------------+
| 1| a| A|
| 2| b| B|
| 3|abcdefghijklmnopq...|ABCDEFGHIJKLMNOPQ...|
+-------------+--------------------+--------------------+
再执行
data_frame.show()
,还是和调用
withColumn
方法前一样。
createOrReplaceTempView
执行下面代码
data_frame.createOrReplaceTempView('temp_table')
spark.sql('select * from temp_table').show()
代码将
DataFrame
转换为临时视图,并查看此临时视图的内容得到结果如下:
+-------------+--------------------+
|integer_value| text_value|
+-------------+--------------------+
| 1| a|
| 2| b|
| 3|abcdefghijklmnopq...|
+-------------+--------------------+
版权归原作者 AuspiciousChan 所有, 如有侵权,请联系我们删除。