高度なDataFrame操作

PySpark 入門

Ben Schmidt

Data Engineer

PySparkでの結合

共通の列に基づいて、2つ以上のDataFrameの行を結合する
結合の種類: 内部、左、右、外部。SQL {{2}} のように
構文: DataFrame1.join(DataFrame2, on="column", how="join_type")

# Joining on id column using an inner join
df_joined = df1.join(df2, on="id", how="inner")


# Joining on columns with different names
df_joined = df1.join(df2, 
               df1.Id == df2.Name, 
               "inner")

和集合演算

同じスキーマを持つ2つのDataFrameの行を結合します
構文: DataFrame1.union(DataFrame2)

# Union of two DataFrames with identical schemas
df_union = df1.union(df2)

配列とマップの操作

配列: 列内でリストを保存するのに便利です。構文: ArrayType(StringType(),False)`

from pyspark.sql.functions import array, struct, lit

# Create an array column
df = df.withColumn("scores", array(lit(85), lit(90), lit(78)))

マップ: キーと値のペア、辞書形式のデータに便利、MapType(StringType(),StringType())

from pyspark.sql.types import StructField, StructType, StringType, MapType

schema = StructType([
    StructField('name', StringType(), True),
    StructField('properties', MapType(StringType(), StringType()), True)
])

Struct の操作

構造体: 行内にネストされた構造を作成する構文: StructType(Structfield, Datatype())

# Create a struct column
df = df.withColumn("name_struct", struct("first_name", "last_name"))

# Create a struct column
df = df.withColumn("name_struct", struct("first_name", "last_name"))

練習しましょう！

PySpark 入門