pyspark cmd上的命令
1 读取文件
1.1 基本读取方式
pyspark中是惰性操作,所有变换类操作都是延迟计算的,pyspark只是记录了将要对数据集进行的操作
只有需要数据集将数据返回到 Driver 程序时(比如collect,count,show之类),所有已经记录的变换操作才会执行
注意读取出来的格式是Pyspark DataFrame,不是DataFrame,所以一些操作上是有区别的
1.1.1 format
DataFrame = spark.read.format("csv")
.option(name,value)
.load(path)
- format表示读取格式csv
- option就是读取csv时可选的选项
- path就是文件所在的路径
1.1.2 csv
DataFrame = spark.read
.option(name,value)
.csv(path)
- option就是读取csv时可选的选项
- path就是文件所在的路径
1.1.3 读取多个文件
使用spark.read.csv()可以读取多个csv文件
df = spark.read.csv("path1,path2,path3")
#读取path1,path2和path3
df= spark.read.csv("Folder path")
#读取Folder path里面的所有csv文件
1.2 option 主要参数
sep
默认,
指定单个字符分割字段和值
encoding
默认utf-8
通过给定的编码类型进行解码
header
默认false
是否将第一行作为列名
schema
手动设置输出结果的类型
inferSchema
根据数据预测数据类型
加了的话文件读取的次数是2次。
比如一列int 数据,不设置inferSchema=True的话,那么返回的类型就是string类型,设置了的话,返回类型就是int类型
nullValues
指定在 CSV 中要视为 null 的字符串
1.3 举例
三种设置option的方法:
celltable = spark.read.format("csv")
.option("header", "true")
.option("delimiter","\t")
.load("xxx/test.txt")
celltable = spark.read.format("csv")
.options(header=True,delimiter='\t')
.load("xxx/test.txt")
celltable = spark.read.format("csv")
.load("xxx/test.txt",header=True,delimiter='\t')
celltable = spark.read
.option("header", "true")
.option("delimiter","\t")
.csv("xxx/test.txt")
此时的celltable不会加载数据
1.3.1 读入多个文件(使用通配符)
celltable = spark.read.format("csv")
.option("header", "true")
.option("delimiter","\t")
.load("xxx/test_*.txt")
2 其他主要函数
printSchema
打印出 DataFrame /Dataset每个列的名称和数据类型
如果read的时候不手动设置schema,或者使用inferSchema的话,默认每一列的数据类型为string
select
从DataFrame中选取部分列的数据
将提取出来的某一列重命名
filter
条件查询
获得字段LAC是'307'的行
celltable.filter(celltable['LAC']=='307').show()
dropDuplicates
去重
groupby
sort
排序
first
数据的第一行
head
take
默认是提取一行(此时和first同效果)
如果有参数,那么就是提取最前面的n行
此时返回的是python的list
limit
类似于head,只不过返回的是pyspark DataFrame
count
行数
collect
获取所有结点的数据
describe
类似于pandas中的describe,不过如果需要展现结果,需要使用show()
withColumn
修改/新增 某一列
—>
!!!注:withColumn 后返回一个新的pyspark DataFrame 所以 即使是df=df.withColumn(...) ,且之前已经df.cache过了,withColumn之后的df仍然没有cache
withColumnRenamed
某一列重命名
cast
将列的数据类型转化成指定列
show
显示前多少行(默认20行,修改需要设置参数n)
truncate=False——显示每一行完整的内容
intersect
两个pyspark DATa Frame取交集
union
两个pyspark Data Frame取并集
union
操作要求两个 DataFrame 具有相同的列数和相同的列名、列顺序
3 stat
corr
两列的相关系数
4 创建pyspark DataFrame
from pyspark.sql import Row
data = [
Row(id=1, name="Alice", age=25),
Row(id=2, name="Bob", age=30),
Row(id=3, name="Charlie", age=28)
]
df = spark.createDataFrame(data)
df.show()
'''
+---+---+-------+
|age| id| name|
+---+---+-------+
| 25| 1| Alice|
| 30| 2| Bob|
| 28| 3|Charlie|
+---+---+-------+
'''
参考内容:IBBD.github.io/hadoop/pyspark-csv.md at master · IBBD/IBBD.github.io · GitHub
版权归原作者 UQI-LIUWJ 所有, 如有侵权,请联系我们删除。