Агрегации в PySpark

Введение в PySpark

Benjamin Schmidt

Data Engineer

Обзор SQL-агрегаций в PySpark

Стандартные SQL-агрегации работают с 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()

Совместное использование DataFrame и SQL

# 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()

Работа с типами данных при агрегации

# 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 для агрегаций

# 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())

Лучшие практики агрегаций в PySpark

Фильтруйте заранее: уменьшайте объём данных до агрегации
Следите за типами: данные должны быть чистыми и корректно типизированными
Избегайте операций над всем набором данных: минимизируйте использование groupBy()
Выбирайте подходящий инструмент: предпочитайте DataFrame — они лучше оптимизированы
Контролируйте производительность: используйте explain() для анализа плана выполнения

Основные выводы

SQL-агрегации в PySpark: функции SUM() и AVERAGE() для обобщения данных
DataFrame и SQL: сочетание обоих подходов для гибкой обработки данных
Работа с типами данных: решение проблем несовместимости типов при агрегации
RDD и DataFrame: понимание компромиссов и выбор подходящего инструмента

Давайте потренируемся!

Введение в PySpark