Agregări PySpark

Introducere în PySpark

Benjamin Schmidt

Data Engineer

Prezentare generală a agregărilor PySpark SQL

Agregările SQL comune funcționează cu 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()

Combinarea operațiunilor DataFrame și 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()

Gestionarea tipurilor de date în agregări

# 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-uri pentru agregări

# 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())

Bune practici pentru agregările PySpark

Filtrați devreme: Reduceți volumul datelor înainte de agregări
Gestionați tipurile de date: Asigurați-vă că datele sunt curate și corect tipizate
Evitați operațiunile pe întregul set de date: Minimizați operațiuni precum groupBy()
Alegeți interfața potrivită: Preferați DataFrame-urile pentru optimizările lor
Monitorizați performanța: Folosiți explain() pentru a inspecta și optimiza planul de execuție

Concluzii cheie

Agregări PySpark SQL: Funcții precum SUM() și AVERAGE() pentru rezumarea datelor
DataFrame-uri și SQL: Combinarea ambelor abordări pentru manipulare flexibilă
Gestionarea tipurilor de date: Rezolvarea problemelor de incompatibilitate la agregări
RDD-uri vs DataFrame-uri: Înțelegerea compromisurilor și alegerea instrumentului potrivit

Să exersăm!

Introducere în PySpark