Agregace v PySparku

Introduction to PySpark

Benjamin Schmidt

Data Engineer

Přehled agregací PySpark SQL

Běžné SQL agregace fungují s spark.sql()

# SQL aggregation query
spark.sql("""
  SELECT Department, SUM(Salary) AS Total_Salary, AVG(Salary) AS Average_Salary
  FROM employees
  GROUP BY Department
""").show()

Kombinace operací DataFrame a SQL

# Filter salaries over 3000
filtered_df = df.filter(df.Salary > 3000)

# Register filtered DataFrame as a view
filtered_df.createOrReplaceTempView("filtered_employees")


# Aggregate using SQL on the filtered view
spark.sql("""
    SELECT Department, COUNT(*) AS Employee_Count
    FROM filtered_employees
    GROUP BY Department
""").show()

Práce s datovými typy při agregacích

# Example of type casting
data = [("HR", "3000"), ("IT", "4000"), ("Finance", "3500")]
columns = ["Department", "Salary"]
df = spark.createDataFrame(data, schema=columns)


# Convert Salary column to integer
df = df.withColumn("Salary", df["Salary"].cast("int"))

# Perform aggregation
df.groupBy("Department").sum("Salary").show()

Agregace pomocí RDD

# Example of aggregation with RDDs
rdd = df.rdd.map(lambda row: (row["Department"], row["Salary"]))


rdd_aggregated = rdd.reduceByKey(lambda x, y: x + y)


print(rdd_aggregated.collect())

Osvědčené postupy pro agregace v PySparku

Filtrujte včas: Zmenšete objem dat před agregací
Ošetřete datové typy: Zajistěte čistá a správně typovaná data
Vyhýbejte se operacím nad celým datasetem: Minimalizujte použití groupBy()
Zvolte správné rozhraní: Preferujte DataFrames díky jejich optimalizacím
Sledujte výkon: Použijte explain() k analýze a optimalizaci plánu vykonávání

Klíčové poznatky

Agregace PySpark SQL: Funkce jako SUM() a AVERAGE() pro sumarizaci dat
DataFrames a SQL: Kombinace obou přístupů pro flexibilní práci s daty
Datové typy: Řešení problémů s neshodou typů při agregacích
RDD vs. DataFrames: Pochopení kompromisů a volba správného nástroje

Pojďme cvičit!

Introduction to PySpark