Introductie tot PySpark DataFrames

Introductie tot PySpark

Benjamin Schmidt

Data Engineer

Over DataFrames

DataFrames: Tabelvorm (rijen/kolommen)
Ondersteunt SQL-achtige operaties
Vergelijkbaar met een Pandas DataFrame of een SQL TABEL
Gestructureerde data

Dataframes

DataFrames maken van bestanden

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

DataFrame afdrukken

# Toon de eerste 5 rijen van de 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

DataFrame-schema afdrukken

# Toon het 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)

Basisanalyses op PySpark DataFrames

# .count() geeft het totale aantal rijen in de DataFrame
row_count = census_df.count()
print(f'Aantal rijen: {row_count}')

# groupby() maakt sql-achtige aggregaties mogelijk
census_df.groupBy('gender').agg({'salary_usd': 'avg'}).show()

Andere aggregatiefuncties zijn:

sum()
min()
max()

Belangrijke functies voor PySpark-analyse

.select(): Selecteert specifieke kolommen uit de DataFrame
.filter(): Filtert rijen op basis van voorwaarden
.groupBy(): Groepeert rijen op basis van kolommen
.agg(): Past aggregatiefuncties toe op gegroepeerde data

Belangrijke functies Voorbeeld

# Met filter en select kunnen we onze DataFrame verfijnen
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|
+---+------------------+

Laten we oefenen!

Introductie tot PySpark