Werken met PySpark DataFrames

Big Data Fundamentals met PySpark

Upendra Devisetty

Science Analyst, CyVerse

DataFrame-operators in PySpark

DataFrame-bewerkingen: Transformaties en Acties
DataFrame-transformaties:
- select(), filter(), groupby(), orderby(), dropDuplicates() en withColumnRenamed()
DataFrame-acties:
- printSchema(), head(), show(), count(), columns en describe()
Correctie: printSchema() is een methode voor elke Spark-dataset/-dataframe en geen actie

select()- en show()-bewerkingen

De select()-transformatie kiest kolommen uit het DataFrame

df_id_age = test.select('Age')

De show()-actie toont de eerste 20 rijen van het DataFrame

df_id_age.show(3)

+---+
|Age|
+---+
| 17|
| 17|
| 17|
+---+
only showing top 3 rows

filter()- en show()-bewerkingen

De filter()-transformatie filtert rijen op basis van een voorwaarde

new_df_age21 = new_df.filter(new_df.Age > 21)
new_df_age21.show(3)

+-------+------+---+
|User_ID|Gender|Age|
+-------+------+---+
|1000002|     M| 55|
|1000003|     M| 26|
|1000004|     M| 46|
+-------+------+---+
only showing top 3 rows

groupby()- en count()-bewerkingen

Met groupby() kun je groeperen op een variabele

test_df_age_group = test_df.groupby('Age')
test_df_age_group.count().show(3)

+---+------+
|Age| count|
+---+------+
| 26|219587|
| 17|     4|
| 55| 21504|
+---+------+
only showing top 3 rows

orderby()-transformaties

orderby() sorteert het DataFrame op één of meer kolommen

test_df_age_group.count().orderBy('Age').show(3)

+---+-----+
|Age|count|
+---+-----+
|  0|15098|
| 17|    4|
| 18|99660|
+---+-----+
only showing top 3 rows

dropDuplicates()

dropDuplicates() verwijdert dubbele rijen uit een DataFrame

test_df_no_dup = test_df.select('User_ID','Gender', 'Age').dropDuplicates()
test_df_no_dup.count()

withColumnRenamed-transformaties

withColumnRenamed() hernoemt een kolom in het DataFrame

test_df_sex = test_df.withColumnRenamed('Gender', 'Sex')
test_df_sex.show(3)

+-------+---+---+
|User_ID|Sex|Age|
+-------+---+---+
|1000001|  F| 17|
|1000001|  F| 17|
|1000001|  F| 17|
+-------+---+---+

printSchema()

De printSchema()-bewerking toont de kolomtypes van het DataFrame

test_df.printSchema()

 |-- User_ID: integer (nullable = true)
 |-- Product_ID: string (nullable = true)
 |-- Gender: string (nullable = true)
 |-- Age: string (nullable = true)
 |-- Occupation: integer (nullable = true)
 |-- Purchase: integer (nullable = true)

columns-acties

De columns-operator geeft de kolomnamen van een DataFrame

test_df.columns

['User_ID', 'Gender', 'Age']

describe()-acties

describe() berekent samenvattende statistieken van numerieke kolommen in het DataFrame

test_df.describe().show()

+-------+------------------+------+------------------+
|summary|           User_ID|Gender|               Age|
+-------+------------------+------+------------------+
|  count|            550068|550068|            550068|
|   mean|1003028.8424013031|  null|30.382052764385495|
| stddev|1727.5915855307312|  null|11.866105189533554|
|    min|           1000001|     F|                 0|
|    max|           1006040|     M|                55|
+-------+------------------+------+------------------+

Laten we oefenen!

Big Data Fundamentals met PySpark