Werken met DataFrames met PySpark SQL
Big Data Fundamentals met PySpark
Upendra Devisetty
Science Analyst, CyVerse
DataFrame-API vs. SQL-query’s
In PySpark kun je met SparkSQL werken via de DataFrame-API en SQL-query’s
De DataFrame-API biedt een programmatische DSL voor data
Transformaties en acties op DataFrames bouw je makkelijker in code
SQL-query’s zijn vaak kort, duidelijk en overdraagbaar
Operaties op DataFrames kun je ook met SQL uitvoeren
SQL-query’s uitvoeren
De SparkSession-methode
sql()voert een SQL-query uitsql()neemt een SQL-statement als argument en geeft een DataFrame terug
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-query om data op te halen
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|
+----------+
Samenvatten en groeperen met SQL-query’s
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
Kolommen filteren met SQL-query’s
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
Laten we oefenen!
Big Data Fundamentals met PySpark
