Manipulace s daty pomocí DataFrames

Introduction to PySpark

Ben Schmidt

Data Engineer

Zpracování chybějících dat

Použijte .na.drop() k odstranění řádků s hodnotami null

# Drop rows with any nulls
df_cleaned = df.na.drop()


# Filter out nulls
df_cleaned = df.where(col("columnName").isNotNull())

Použijte .na.fill({"column": value) k nahrazení hodnot null konkrétní hodnotou

# Fill nulls in the age column with the value 0
df_filled = df.na.fill({"age": 0})

Operace se sloupci

Použijte .withColumn() k přidání nového sloupce na základě výpočtů nebo existujících sloupců

# Create a new column 'age_plus_5'
df = df.withColumn("age_plus_5", df["age"] + 5)

Použijte withColumnRenamed() k přejmenování sloupců

# Rename the 'age' column to 'years'
df = df.withColumnRenamed("age", "years")

Použijte drop() k odstranění nepotřebných sloupců

# Drop the 'department' column
df = df.drop("department")

Operace s řádky

Použijte .filter() k výběru řádků podle zadaných podmínek

# Filter rows where salary is greater than 50000
filtered_df = df.filter(df["salary"] > 50000)

Použijte .groupBy() a agregační funkce (např. .sum(), .avg()) k sumarizaci dat

# Group by department and calculate the average salary
grouped_df = df.groupBy("department").avg("salary")

Výsledky operací s řádky

Filtrování

+------+---+-----------------+
|salary|age|      occupation |
+------+---+-----------------+
| 60000| 45|Exec-managerial  |
| 70000| 35|Prof-specialty   |
+------+---+-----------------+

GroupBy ` +----------+-----------+ |department|avg(salary)| +----------+-----------+ | HR| 80000.0| | IT| 70000.0| +----------+-----------+

Přehled syntaxe

# Drop rows with any nulls
df_cleaned = df.na.drop()

#Drop nulls on a column
df_cleaned = df.where(col("columnName").isNotNull())

# Fill nulls in the age column with the value 0
df_filled = df.na.fill({"age": 0})

Použijte .withColumn() k přidání nového sloupce na základě výpočtů nebo existujících sloupců. Syntaxe: .withColumn("new_col_name", "original transformation")
```
# Create a new column 'age_plus_5'
df = df.withColumn("age_plus_5", df["age"] + 5)
```
Použijte withColumnRenamed() k přejmenování sloupců Syntaxe: withColumnRenamed(old column name,new column name`

# Rename the 'age' column to 'years'
df = df.withColumnRenamed("age", "years")

Použijte drop() k odstranění nepotřebných sloupců Syntaxe: .drop(column name)

# Drop the 'department' column
df = df.drop("department")

# Filter rows where salary is greater than 50000
filtered_df = df.filter(df["salary"] > 50000)

Použijte .groupBy() a agregační funkce (např. .sum(), .avg()) k sumarizaci dat

# Group by department and calculate the average salary
grouped_df = df.groupBy("department").avg("salary")

Pojďme si procvičit!

Introduction to PySpark