Zrozumieć Parquet

Czyszczenie danych w PySpark

Mike Metzger

Data Engineering Consultant

Problemy z plikami CSV

Odczyt plików Parquet

df = spark.read.format('parquet').load('filename.parquet')

df = spark.read.parquet('filename.parquet')

Zapis plików Parquet

df.write.format('parquet').save('filename.parquet')

df.write.parquet('filename.parquet')

Parquet jako magazyn danych dla operacji SparkSQL

flight_df = spark.read.parquet('flights.parquet')

flight_df.createOrReplaceTempView('flights')

short_flights_df = spark.sql('SELECT * FROM flights WHERE flightduration < 100')

Czyszczenie danych w PySpark