Работа с DataFrame

Введение в PySpark

Ben Schmidt

Data Engineer

Обработка пропущенных данных

Используйте .na.drop() для удаления строк с пустыми значениями

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


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

Используйте .na.fill({"column": value) для замены пустых значений на конкретное

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

Операции со столбцами

Используйте .withColumn() для добавления нового столбца на основе вычислений или существующих столбцов

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

Используйте withColumnRenamed() для переименования столбцов

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

Используйте drop() для удаления ненужных столбцов

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

Операции со строками

Используйте .filter() для выбора строк по заданным условиям

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

Используйте .groupBy() и агрегатные функции (например, .sum(), .avg()) для обобщения данных

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

Результаты операций со строками

Фильтрация

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

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

Шпаргалка

# 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})

Используйте .withColumn() для добавления нового столбца на основе вычислений или существующих столбцов. Синтаксис: .withColumn("new_col_name", "original transformation")
```
# Create a new column 'age_plus_5'
df = df.withColumn("age_plus_5", df["age"] + 5)
```
Используйте withColumnRenamed() для переименования столбцов Синтаксис: withColumnRenamed(old column name,new column name`

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

Используйте drop() для удаления ненужных столбцов Синтаксис: .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)

Используйте .groupBy() и агрегатные функции (например, .sum(), .avg()) для обобщения данных

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

Давайте потренируемся!

Введение в PySpark