PySpark-aggregeringar

Introduktion till PySpark

Benjamin Schmidt

Data Engineer

Översikt: SQL-aggregeringar i PySpark

Vanliga SQL-aggregeringar fungerar med spark.sql()

# SQL aggregation query
spark.sql("""
  SELECT Department, SUM(Salary) AS Total_Salary, AVG(Salary) AS Average_Salary
  FROM employees
  GROUP BY Department
""").show()

Kombinera DataFrame- och SQL-operationer

# Filter salaries over 3000
filtered_df = df.filter(df.Salary > 3000)

# Register filtered DataFrame as a view
filtered_df.createOrReplaceTempView("filtered_employees")


# Aggregate using SQL on the filtered view
spark.sql("""
    SELECT Department, COUNT(*) AS Employee_Count
    FROM filtered_employees
    GROUP BY Department
""").show()

Hantera datatyper vid aggregeringar

# Example of type casting
data = [("HR", "3000"), ("IT", "4000"), ("Finance", "3500")]
columns = ["Department", "Salary"]
df = spark.createDataFrame(data, schema=columns)


# Convert Salary column to integer
df = df.withColumn("Salary", df["Salary"].cast("int"))

# Perform aggregation
df.groupBy("Department").sum("Salary").show()

RDD:er för aggregeringar

# Example of aggregation with RDDs
rdd = df.rdd.map(lambda row: (row["Department"], row["Salary"]))


rdd_aggregated = rdd.reduceByKey(lambda x, y: x + y)


print(rdd_aggregated.collect())

Bästa praxis för PySpark-aggregeringar

Filtrera tidigt: Minska datamängden innan aggregering
Hantera datatyper: Se till att data är korrekt typat och rent
Undvik heldataoperationer: Minimera användningen av t.ex. groupBy()
Välj rätt gränssnitt: Föredra DataFrames för de flesta uppgifter tack vare deras optimeringar
Övervaka prestanda: Använd explain() för att granska och optimera exekveringsplanen

Viktiga lärdomar

SQL-aggregeringar i PySpark: Funktioner som SUM() och AVERAGE() för att sammanfatta data
DataFrames och SQL: Kombinera båda metoderna för flexibel datahantering
Datatyper: Hantera typmissmatchningar vid aggregeringar
RDD:er vs DataFrames: Förstå avvägningarna och välja rätt verktyg

Nu kör vi en övning!

Introduktion till PySpark