Mit DataFrames per PySpark SQL arbeiten
Grundlagen von Big Data mit PySpark
Upendra Devisetty
Science Analyst, CyVerse
DataFrame-API vs. SQL-Abfragen
In PySpark kannst du über die DataFrame-API und SQL-Abfragen mit SparkSQL arbeiten
Die DataFrame-API bietet eine domänenspezifische Programmiersprache (DSL) für Daten
DataFrame-Transformationen und -Aktionen sind programmatisch leichter zu bauen
SQL-Abfragen sind knapp, gut lesbar und portabel
Vorgänge auf DataFrames lassen sich auch per SQL ausführen
SQL-Abfragen ausführen
Die SparkSession-Methoden
sql()führen eine SQL-Abfrage aussql()nimmt eine SQL-Anweisung entgegen und gibt ein DataFrame zurück
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')]
SQL-Abfrage zum Extrahieren von Daten
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|
+----------+
Daten per SQL zusammenfassen und gruppieren
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
Spalten mit SQL-Abfragen filtern
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
Lass uns üben!
Grundlagen von Big Data mit PySpark
