Introduzione ai DataFrame PySpark

Introduzione a PySpark

Benjamin Schmidt

Data Engineer

Informazioni sui DataFrame

DataFrame: Formato tabellare (righe/colonne)
Supporta operazioni simili a SQL
Paragonabile a un DataFrame Pandas o una TABELLA SQL
Dati strutturati

Dataframes

Creare DataFrame da file

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

Stampare il DataFrame

# Mostra le prime 5 righe 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

Stampare lo Schema del DataFrame

# Mostra lo schema
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)

Analisi di base sui DataFrame PySpark

# .count() restituirà il numero totale di righe nel DataFrame
row_count = census_df.count()
print(f'Numero di righe: {row_count}')

# groupby() consente l'uso di aggregazioni simili a SQL
census_df.groupBy('gender').agg({'salary_usd': 'avg'}).show()

Altre funzioni di aggregazione sono:

sum()
min()
max()

Funzioni chiave per l'analisi PySpark

.select(): Seleziona colonne specifiche dal DataFrame
.filter(): Filtra righe in base a condizioni specifiche
.groupBy(): Raggruppa righe in base a una o più colonne
.agg(): Applica funzioni di aggregazione ai dati raggruppati

Funzioni Chiave: Esempio

# Usando filter e select, possiamo restringere il nostro 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|
+---+------------------+

Facciamo pratica!

Introduzione a PySpark