Introducere în PySpark DataFrames

Introducere în PySpark

Benjamin Schmidt

Data Engineer

Despre DataFrames

DataFrames: format tabelar (rânduri/coloane)
Suportă operații de tip SQL
Comparabil cu un Pandas DataFrame sau un tabel SQL
Date structurate

DataFrames

Crearea DataFrames din fișiere

# Create a DataFrame from CSV
census_df = spark.read.csv('path/to/census.csv', header=True, inferSchema=True)

Afișarea DataFrame-ului

# Show the first 5 rows of the DataFrame
census_df.show()

   age  education.num marital.status         occupation income
0   90              9        Widowed                  ?  <=50K
1   82              9        Widowed    Exec-managerial  <=50K
2   66             10        Widowed                  ?  <=50K
3   54              4       Divorced  Machine-op-inspct  <=50K
4   41             10      Separated     Prof-specialty  <=50K

Afișarea schemei DataFrame-ului

# Show the schema
census_df.printSchema()

Output:
root
 |-- age: integer (nullable = true)
 |-- education.num: integer (nullable = true)
 |-- marital.status: string (nullable = true)
 |-- occupation: string (nullable = true)
 |-- income: string (nullable = true)

Analize de bază pe PySpark DataFrames

# .count() will return the total row numbers in the DataFrame
row_count = census_df.count()
print(f'Number of rows: {row_count}')

# groupby() allows the use of sql-like aggregations
census_df.groupBy('gender').agg({'salary_usd': 'avg'}).show()

Alte funcții agregate sunt:

sum()
min()
max()

Funcții esențiale pentru analiza PySpark

.select(): Selectează coloane specifice din DataFrame
.filter(): Filtrează rânduri pe baza unor condiții specifice
.groupBy(): Grupează rânduri după una sau mai multe coloane
.agg(): Aplică funcții agregate datelor grupate

Exemplu de utilizare a funcțiilor cheie

# Using filter and select, we can narrow down our DataFrame
filtered_census_df = census_df.filter(df['age'] > 50).select('age', 'occupation')
filtered_census_df.show()

Output
+---+------------------+
|age|       occupation |
+---+------------------+
| 90|                 ?|
| 82|   Exec-managerial|
| 66|                 ?|
| 54| Machine-op-inspct|
+---+------------------+

Să exersăm!

Introducere în PySpark