Operacje na kolumnach DataFrame

Czyszczenie danych w PySpark

Mike Metzger

Data Engineering Consultant

Przypomnienie DataFrame

DataFrames:

Składają się z wierszy i kolumn
Są niezmienne
Dane modyfikuje się za pomocą operacji transformacji

# Return rows where name starts with "M" 
voter_df.filter(voter_df.name.like('M%'))

# Return name and position only
voters = voter_df.select('name', 'position')

Typowe transformacje DataFrame

Filter / Where

voter_df.filter(voter_df.date > '1/1/2019') # or voter_df.where(...)

Select
```
voter_df.select(voter_df.name)
```

withColumn

voter_df.withColumn('year', voter_df.date.year)

drop
```
voter_df.drop('unused_column')
```

Filtrowanie danych

Usuwanie wartości null
Usuwanie nieprawidłowych wpisów
Podział danych z połączonych źródeł

Negacja za pomocą ~

voter_df.filter(voter_df['name'].isNotNull())
voter_df.filter(voter_df.date.year > 1800)
voter_df.where(voter_df['_c0'].contains('VOTE'))
voter_df.where(~ voter_df._c1.isNull())

Transformacje tekstowe kolumn

Zawarte w pyspark.sql.functions
```
import pyspark.sql.functions as F
```

Stosowane per kolumna jako transformacja

voter_df.withColumn('upper', F.upper('name'))

Mogą tworzyć kolumny pośrednie

voter_df.withColumn('splits', F.split('name', ' '))

Umożliwiają rzutowanie na inne typy

voter_df.withColumn('year', voter_df['_c4'].cast(IntegerType()))

Funkcje kolumny ArrayType()

Funkcje i transformacje do pracy z ArrayType()

.size(<column>) - zwraca długość kolumny ArrayType()

.getItem(<index>) - pobiera element o podanym indeksie z kolumny listowej.

Czas na ćwiczenia!

Czyszczenie danych w PySpark