Вступ до PySpark DataFrames

Вступ до PySpark

Benjamin Schmidt

Data Engineer

Про DataFrame

DataFrame: табличний формат (рядки/стовпці)
Підтримує операції, схожі на SQL
Порівнюваний із Pandas DataFrame або SQL TABLE
Структуровані дані

DataFrames

Створення DataFrame з файлових сховищ

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

Виведення DataFrame

# 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

Виведення схеми DataFrame

# 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)

Базова аналітика в 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()

Інші агрегатні функції:

sum()
min()
max()

Ключові функції для аналітики в PySpark

.select(): вибирає певні стовпці з DataFrame
.filter(): фільтрує рядки за умовами
.groupBy(): групує рядки за однією чи кількома колонками
.agg(): застосовує агрегатні функції до згрупованих даних

Приклад ключових функцій

# 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|
+---+------------------+

Давайте потренуємось!

Вступ до PySpark