Avancerade DataFrame-operationer

Introduktion till PySpark

Ben Schmidt

Data Engineer

Joins i PySpark

Kombinera rader från två eller fler DataFrames baserat på gemensamma kolumner
Typer av joins: inner, left, right och outer – precis som i SQL
Syntax: DataFrame1.join(DataFrame2, on="column", how="join_type")

# Joining on id column using an inner join
df_joined = df1.join(df2, on="id", how="inner")


# Joining on columns with different names
df_joined = df1.join(df2, 
               df1.Id == df2.Name, 
               "inner")

Union-operationen

Kombinerar rader från två DataFrames med samma schema
Syntax: DataFrame1.union(DataFrame2)

# Union of two DataFrames with identical schemas
df_union = df1.union(df2)

Arbeta med arrayer och mappar

Arrayer: Används för att lagra listor i kolumner, syntax: ArrayType(StringType(),False)`

from pyspark.sql.functions import array, struct, lit

# Create an array column
df = df.withColumn("scores", array(lit(85), lit(90), lit(78)))

Mappar: Nyckel-värde-par, lämpliga för ordboksliknande data, MapType(StringType(),StringType())

from pyspark.sql.types import StructField, StructType, StringType, MapType

schema = StructType([
    StructField('name', StringType(), True),
    StructField('properties', MapType(StringType(), StringType()), True)
])

Arbeta med structs

Structs: Skapar nästlade strukturer inom rader. Syntax: StructType(Structfield, Datatype())

# Create a struct column
df = df.withColumn("name_struct", struct("first_name", "last_name"))

# Create a struct column
df = df.withColumn("name_struct", struct("first_name", "last_name"))

Nu kör vi en övning!

Introduktion till PySpark