Agregacje w PySpark

Wprowadzenie do PySpark

Benjamin Schmidt

Data Engineer

Przegląd agregacji SQL w PySpark

Typowe agregacje SQL działają z 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()

Łączenie operacji DataFrame i 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()

Obsługa typów danych w agregacjach

# 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()

RDD w agregacjach

# 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())

Najlepsze praktyki agregacji w PySpark

Wczesne filtrowanie: Zmniejszenie rozmiaru danych przed agregacją
Obsługa typów danych: Zapewnienie czystości i poprawności typów
Unikanie operacji na całym zbiorze: Minimalizowanie operacji jak groupBy()
Wybór właściwego interfejsu: Preferowanie DataFrames ze względu na optymalizacje
Monitorowanie wydajności: Użycie explain() do inspekcji i optymalizacji planu wykonania

Najważniejsze wnioski

Agregacje SQL w PySpark: Funkcje takie jak SUM() i AVERAGE() do podsumowywania danych
DataFrames i SQL: Łączenie obu podejść dla elastycznej manipulacji danymi
Obsługa typów danych: Rozwiązywanie problemów z niezgodnością typów podczas agregacji
RDD a DataFrames: Zrozumienie kompromisów i wybór właściwego narzędzia

Czas na ćwiczenia!

Wprowadzenie do PySpark