Operații avansate cu DataFrame

Introducere în PySpark

Ben Schmidt

Data Engineer

Join-uri în PySpark

Combină rânduri din două sau mai multe DataFrame-uri pe baza coloanelor comune
Tipuri de join-uri: inner, left, right și outer, similar SQL
Sintaxă: 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")

Operația Union

Combină rânduri din două DataFrame-uri cu același schema
Sintaxă: DataFrame1.union(DataFrame2)

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

Lucrul cu Array-uri și Map-uri

Array-uri: Utile pentru stocarea listelor în coloane, sintaxă: 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)))

Map-uri: Perechi cheie-valoare, utile pentru date de tip dicționar, MapType(StringType(),StringType())

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

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

Lucrul cu Struct-uri

Struct-uri: Creează structuri imbricate în rânduri. Sintaxă: 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"))

Să exersăm!

Introducere în PySpark