Introducción a PySpark DataFrames

Introducción a PySpark

Benjamin Schmidt

Data Engineer

Sobre DataFrames

DataFrames: Formato tabular (filas/columnas)
Soporta operaciones similares a SQL
Comparable a un DataFrame de Pandas o una tabla SQL
Datos estructurados

Dataframes

Creando DataFrames desde archivos

# Crear un DataFrame desde un CSV
census_df = spark.read.csv('path/to/census.csv', header=True, inferSchema=True)

Imprimiendo el DataFrame

# Mostrar las primeras 5 filas del DataFrame
census_df.show()

   age  education.num marital.status         occupation income
0   90              9        Widowed                  ?  <=50K
1   82              9        Widowed    Exec-managerial  <=50K
2   66             10        Widowed                  ?  <=50K
3   54              4       Divorced  Machine-op-inspct  <=50K
4   41             10      Separated     Prof-specialty  <=50K

Imprimiendo el esquema del DataFrame

# Mostrar el esquema
census_df.printSchema()

Output:
root
 |-- age: integer (nullable = true)
 |-- education.num: integer (nullable = true)
 |-- marital.status: string (nullable = true)
 |-- occupation: string (nullable = true)
 |-- income: string (nullable = true)

Análisis básico en PySpark DataFrames

# .count() devolverá el número total de filas en el DataFrame
row_count = census_df.count()
print(f'Número de filas: {row_count}')

# groupby() permite usar agregaciones similares a SQL
census_df.groupBy('gender').agg({'salary_usd': 'avg'}).show()

Otras funciones de agregación son:

sum()
min()
max()

Funciones clave para análisis en PySpark

.select(): Selecciona columnas específicas del DataFrame
.filter(): Filtra filas según condiciones específicas
.groupBy(): Agrupa filas según una o más columnas
.agg(): Aplica funciones de agregación a datos agrupados

Funciones clave con ejemplo

# Usando filter y select, podemos reducir nuestro DataFrame
filtered_census_df = census_df.filter(df['age'] > 50).select('age', 'occupation')
filtered_census_df.show()

Output
+---+------------------+
|age|       occupation |
+---+------------------+
| 90|                 ?|
| 82|   Exec-managerial|
| 66|                 ?|
| 54| Machine-op-inspct|
+---+------------------+

¡Vamos a practicar!

Introducción a PySpark