Manipularea datelor cu DataFrame-uri

Introducere în PySpark

Ben Schmidt

Data Engineer

Gestionarea datelor lipsă

Utilizați .na.drop() pentru a elimina rândurile cu valori nule

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


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

Utilizați .na.fill({"column": value) pentru a înlocui valorile nule cu o valoare specifică

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

Operații pe coloane

Utilizați .withColumn() pentru a adăuga o coloană nouă pe baza calculelor sau a coloanelor existente

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

Utilizați withColumnRenamed() pentru a redenumi coloane

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

Utilizați drop() pentru a elimina coloane inutile

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

Operații pe rânduri

Utilizați .filter() pentru a selecta rânduri pe baza unor condiții specifice

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

Utilizați .groupBy() și funcții de agregare (ex.: .sum(), .avg()) pentru a rezuma datele

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

Rezultatele operațiilor pe rânduri

Filtrare

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

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

Foaie de referință

# 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})

Utilizați .withColumn() pentru a adăuga o coloană nouă pe baza calculelor sau a coloanelor existente. Sintaxă: .withColumn("new_col_name", "original transformation")
```
# Create a new column 'age_plus_5'
df = df.withColumn("age_plus_5", df["age"] + 5)
```
Utilizați withColumnRenamed() pentru a redenumi coloane Sintaxă: withColumnRenamed(old column name,new column name`

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

Utilizați drop() pentru a elimina coloane inutile Sintaxă: .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)

Utilizați .groupBy() și funcții de agregare (ex.: .sum(), .avg()) pentru a rezuma datele

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

Să exersăm!

Introducere în PySpark