Manipulacja danymi z DataFrames

Wprowadzenie do PySpark

Ben Schmidt

Data Engineer

Obsługa brakujących danych

Użyj .na.drop(), aby usunąć wiersze z wartościami null

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


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

Użyj .na.fill({"column": value), aby zastąpić nulle określoną wartością

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

Operacje na kolumnach

Użyj .withColumn(), aby dodać nową kolumnę na podstawie obliczeń lub istniejących kolumn

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

Użyj withColumnRenamed(), aby zmienić nazwę kolumny

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

Użyj drop(), aby usunąć zbędne kolumny

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

Operacje na wierszach

Użyj .filter(), aby wybrać wiersze spełniające określone warunki

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

Użyj .groupBy() i funkcji agregujących (np. .sum(), .avg()), aby podsumować dane

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

Wyniki operacji na wierszach

Filtrowanie

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

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

Ściągawka

# 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})

Użyj .withColumn(), aby dodać nową kolumnę na podstawie obliczeń lub istniejących kolumn. Składnia: .withColumn("new_col_name", "original transformation")
```
# Create a new column 'age_plus_5'
df = df.withColumn("age_plus_5", df["age"] + 5)
```
Użyj withColumnRenamed(), aby zmienić nazwę kolumny Składnia: withColumnRenamed(old column name,new column name`

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

Użyj drop(), aby usunąć zbędne kolumny Składnia: .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)

Użyj .groupBy() i funkcji agregujących (np. .sum(), .avg()), aby podsumować dane

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

Czas na ćwiczenia!

Wprowadzenie do PySpark