DataFrames के साथ डेटा मैनिपुलेशन

PySpark परिचय

Ben Schmidt

Data Engineer

Missing data हैंडल करना

null मान वाली पंक्तियाँ हटाने के लिए .na.drop() का उपयोग करें

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


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

किसी मान से null को बदलने के लिए .na.fill({"column": value) का उपयोग करें

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

कॉलम ऑपरेशंस

गणना या मौजूदा कॉलम के आधार पर नया कॉलम जोड़ने के लिए .withColumn() का उपयोग करें

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

कॉलम का नाम बदलने के लिए withColumnRenamed() का उपयोग करें

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

गैर-ज़रूरी कॉलम हटाने के लिए drop() का उपयोग करें

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

रो ऑपरेशंस

शर्तों के आधार पर पंक्तियाँ चुनने के लिए .filter() का उपयोग करें

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

डेटा को समरी करने के लिए .groupBy() और एग्रीगेट फंक्शन (जैसे, .sum(), .avg()) का उपयोग करें

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

Row Operations के नतीजे

फ़िल्टरिंग

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

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

चीटशीट

# 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})

नए या मौजूदा कॉलम पर आधारित कॉलम जोड़ने के लिए .withColumn() का उपयोग करें. Syntax: .withColumn("new_col_name", "original transformation")
```
# Create a new column 'age_plus_5'
df = df.withColumn("age_plus_5", df["age"] + 5)
```
कॉलम का नाम बदलने के लिए withColumnRenamed() का उपयोग करें Syntax: withColumnRenamed(old column name,new column name`

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

गैर-ज़रूरी कॉलम हटाने के लिए drop() का उपयोग करें Syntax: .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)

डेटा को समरी करने के लिए .groupBy() और एग्रीगेट फंक्शन (जैसे, .sum(), .avg()) का उपयोग करें

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

अभ्यास करते हैं!

PySpark परिचय