Manipulation de données avec les DataFrames

Introduction à PySpark

Ben Schmidt

Data Engineer

Gérer les données manquantes

Utilisez .na.drop() pour supprimer les lignes contenant des valeurs nulles

# Supprimer les lignes ayant au moins une valeur nulle
df_cleaned = df.na.drop()


# Exclure les valeurs nulles
df_cleaned = df.where(col("columnName").isNotNull())

Utilisez .na.fill({"column": value) pour remplacer les null par une valeur précise

# Remplir les null dans la colonne age avec la valeur 0
df_filled = df.na.fill({"age": 0})

Opérations sur les colonnes

Utilisez .withColumn() pour ajouter une colonne à partir de calculs ou de colonnes existantes

# Créer une nouvelle colonne 'age_plus_5'
df = df.withColumn("age_plus_5", df["age"] + 5)

Utilisez withColumnRenamed() pour renommer des colonnes

# Renommer la colonne 'age' en 'years'
df = df.withColumnRenamed("age", "years")

Utilisez drop() pour supprimer les colonnes inutiles

# Supprimer la colonne 'department'
df = df.drop("department")

Opérations sur les lignes

Utilisez .filter() pour sélectionner des lignes selon des conditions précises

# Filtrer les lignes où salary est supérieur à 50000
filtered_df = df.filter(df["salary"] > 50000)

Utilisez .groupBy() et des fonctions d'agrégation (p. ex., .sum(), .avg()) pour résumer les données

# Regrouper par department et calculer le salaire moyen
grouped_df = df.groupBy("department").avg("salary")

Résultats des opérations sur les lignes

Filtrage

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

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

Aide-mémoire

# Supprimer les lignes ayant au moins une valeur nulle
df_cleaned = df.na.drop()

# Supprimer les null d'une colonne
df_cleaned = df.where(col("columnName").isNotNull())

# Remplir les null dans la colonne age avec la valeur 0
df_filled = df.na.fill({"age": 0})

Utilisez .withColumn() pour ajouter une colonne à partir de calculs ou de colonnes existantes. Syntaxe : .withColumn("new_col_name", "original transformation")
```
# Créer une nouvelle colonne 'age_plus_5'
df = df.withColumn("age_plus_5", df["age"] + 5)
```
Utilisez withColumnRenamed() pour renommer des colonnes Syntaxe : withColumnRenamed(old column name,new column name`

# Renommer la colonne 'age' en 'years'
df = df.withColumnRenamed("age", "years")

Utilisez drop() pour supprimer des colonnes inutiles Syntaxe : .drop(column name)

# Supprimer la colonne 'department'
df = df.drop("department")

# Filtrer les lignes où salary est supérieur à 50000
filtered_df = df.filter(df["salary"] > 50000)

Utilisez .groupBy() et des fonctions d'agrégation (p. ex., .sum(), .avg()) pour résumer les données

# Regrouper par department et calculer le salaire moyen
grouped_df = df.groupBy("department").avg("salary")

Passons à la pratique !

Introduction à PySpark