Pokročilé operace s DataFrame

Introduction to PySpark

Ben Schmidt

Data Engineer

Spojení (Joins) v PySpark

Kombinuje řádky ze dvou nebo více DataFramů na základě společných sloupců
Typy spojení: inner, left, right a outer – stejně jako v SQL
Syntaxe: 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")

Operace union

Kombinuje řádky ze dvou DataFramů se stejným schématem
Syntaxe: DataFrame1.union(DataFrame2)

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

Práce s poli a mapami

Pole (Arrays): Ukládání seznamů ve sloupcích, syntaxe: 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)))

Mapy (Maps): Páry klíč–hodnota, vhodné pro slovníková data, MapType(StringType(),StringType())

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

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

Práce se strukturami (Structs)

Struktury (Structs): vytváření vnořených struktur v řádcích, syntaxe: 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"))

Pojďme cvičit!

Introduction to PySpark