Pengantar PySpark DataFrames

Pengantar PySpark

Benjamin Schmidt

Data Engineer

Tentang DataFrames

DataFrames: Format tabel (baris/kolom)
Mendukung operasi mirip SQL
Seperti Pandas Dataframe atau SQL TABLE
Data Terstruktur

Dataframes

Membuat DataFrames dari filestores

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

Mencetak DataFrame

# Menampilkan 5 baris pertama dari 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

Mencetak Skema DataFrame

# Menampilkan skema
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)

Analitik dasar pada PySpark DataFrames

# .count() akan mengembalikan jumlah total baris dalam DataFrame
row_count = census_df.count()
print(f'Jumlah baris: {row_count}')

# groupby() memungkinkan penggunaan agregasi mirip SQL
census_df.groupBy('gender').agg({'salary_usd': 'avg'}).show()

Fungsi agregat lainnya adalah:

sum()
min()
max()

Fungsi kunci untuk analitik PySpark

.select(): Memilih kolom tertentu dari DataFrame
.filter(): Menyaring baris berdasarkan kondisi tertentu
.groupBy(): Mengelompokkan baris berdasarkan satu atau lebih kolom
.agg(): Menerapkan fungsi agregat pada data yang dikelompokkan

Fungsi Kunci Untuk Contoh

# Menggunakan filter dan select, kita dapat mempersempit 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|
+---+------------------+

Mari berlatih!

Pengantar PySpark