Zaawansowane operacje na DataFrame

Wprowadzenie do PySpark

Ben Schmidt

Data Engineer

Złączenia w PySpark

Łączenie wierszy z dwóch lub więcej DataFrame na podstawie wspólnych kolumn
Typy złączeń: inner, left, right i outer – jak w SQL
Składnia: 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")

Operacja union

Łączy wiersze z dwóch DataFrame o tym samym schemacie
Składnia: DataFrame1.union(DataFrame2)

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

Praca z tablicami i mapami

Tablice: Przechowywanie list w kolumnach, składnia: 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: Pary klucz-wartość, przydatne dla danych słownikowych, MapType(StringType(),StringType())

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

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

Praca ze strukturami

Struktury: tworzenie zagnieżdżonych struktur w wierszach. Składnia: 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"))

Czas na ćwiczenia!

Wprowadzenie do PySpark