PySpark DataFrameの紹介

PySpark 入門

Benjamin Schmidt

Data Engineer

DataFrame について

DataFrames: 表形式（行/列）
SQLのような操作をサポートします
PandasのDataFrameやSQL TABLEに類似する
構造化データ

データフレーム

ファイルストアからDataFrameを作成する

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

データフレームの印刷

# Show the first 5 rows of the 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スキーマの表示

# Show the 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)

PySpark DataFrame の基本的な分析

# .count() will return the total row numbers in the DataFrame
row_count = census_df.count()
print(f'Number of rows: {row_count}')

# groupby() allows the use of sql-like aggregations
census_df.groupBy('gender').agg({'salary_usd': 'avg'}).show()

その他の集約関数は次のとおりです:

sum()
min()
max()

PySpark分析の主要な関数

.select(): DataFrame{{1}}から特定の列を選択します
.filter(): 特定の条件に基づいて行をフィルターします
.groupBy(): 1つ以上の列に基づいて行をグループ化します
.agg(): 集約関数をグループ化されたデータに適用します

主な関数の例

# Using filter and select, we can narrow down our 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|
+---+------------------+

練習しましょう！

PySpark 入門