Interagindo com DataFrames usando PySpark SQL
Fundamentos de Big Data com PySpark
Upendra Devisetty
Science Analyst, CyVerse
API de DataFrame vs. consultas SQL
No PySpark, você interage com o SparkSQL pela API de DataFrame e por consultas SQL
A API de DataFrame oferece uma DSL programática para dados
Transformações e ações em DataFrame são mais fáceis de montar por código
Consultas SQL podem ser concisas, fáceis de entender e portáveis
As operações em DataFrames também podem ser feitas com SQL
Executando consultas SQL
O método
sql()do SparkSession executa consultas SQLsql()recebe um comando SQL e retorna um DataFrame
df.createOrReplaceTempView("table1")
df2 = spark.sql("SELECT field1, field2 FROM table1")
df2.collect()
[Row(f1=1, f2='row1'), Row(f1=2, f2='row2'), Row(f1=3, f2='row3')]
Consulta SQL para extrair dados
test_df.createOrReplaceTempView("test_table")
query = '''SELECT Product_ID FROM test_table'''
test_product_df = spark.sql(query)
test_product_df.show(5)
+----------+
|Product_ID|
+----------+
| P00069042|
| P00248942|
| P00087842|
| P00085442|
| P00285442|
+----------+
Resumindo e agrupando dados com SQL
test_df.createOrReplaceTempView("test_table")
query = '''SELECT Age, max(Purchase) FROM test_table GROUP BY Age'''
spark.sql(query).show(5)
+-----+-------------+
| Age|max(Purchase)|
+-----+-------------+
|18-25| 23958|
|26-35| 23961|
| 0-17| 23955|
|46-50| 23960|
|51-55| 23960|
+-----+-------------+
only showing top 5 rows
Filtrando colunas com SQL
test_df.createOrReplaceTempView("test_table")
query = '''SELECT Age, Purchase, Gender FROM test_table WHERE Purchase > 20000 AND Gender == "F"'''
spark.sql(query).show(5)
+-----+--------+------+
| Age|Purchase|Gender|
+-----+--------+------+
|36-45| 23792| F|
|26-35| 21002| F|
|26-35| 23595| F|
|26-35| 23341| F|
|46-50| 20771| F|
+-----+--------+------+
only showing top 5 rows
Vamos praticar!
Fundamentos de Big Data com PySpark
