Datamanipulering med DataFrames

Introduktion till PySpark

Ben Schmidt

Data Engineer

Hantera saknade värden

Använd .na.drop() för att ta bort rader med null-värden

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


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

Använd .na.fill({"column": value) för att ersätta null-värden med ett specifikt värde

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

Kolumnoperationer

Använd .withColumn() för att lägga till en ny kolumn baserat på beräkningar eller befintliga kolumner

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

Använd withColumnRenamed() för att byta namn på kolumner

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

Använd drop() för att ta bort onödiga kolumner

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

Radoperationer

Använd .filter() för att välja rader baserat på specifika villkor

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

Använd .groupBy() och aggregeringsfunktioner (t.ex. .sum(), .avg()) för att sammanfatta data

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

Resultat av radoperationer

Filtrering

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

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

Lathund

# 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})

Använd .withColumn() för att lägga till en ny kolumn baserat på beräkningar eller befintliga kolumner. Syntax: .withColumn("new_col_name", "original transformation")
```
# Create a new column 'age_plus_5'
df = df.withColumn("age_plus_5", df["age"] + 5)
```
Använd withColumnRenamed() för att byta namn på kolumner Syntax: withColumnRenamed(old column name,new column name`

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

Använd drop() för att ta bort onödiga kolumner 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)

Använd .groupBy() och aggregeringsfunktioner (t.ex. .sum(), .avg()) för att sammanfatta data

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

Nu kör vi en övning!

Introduktion till PySpark