Введение в Spark SQL

Введение в PySpark

Benjamin Schmidt

Data Engineer

Что такое Spark SQL

Модуль Apache Spark для обработки структурированных данных
Позволяет выполнять SQL-запросы в рамках задач обработки данных
Совместное использование Python и SQL в одном приложении

DataFrame-интерфейс: программный доступ к структурированным данным

Создание временных таблиц

# Initialize Spark session
spark = SparkSession.builder.appName("Spark SQL Example").getOrCreate()

# Sample DataFrame
data = [("Alice", "HR", 30), ("Bob", "IT", 40), ("Cathy", "HR", 28)]
columns = ["Name", "Department", "Age"]
df = spark.createDataFrame(data, schema=columns)

# Register DataFrame as a temporary view
df.createOrReplaceTempView("people")

# Query using SQL
result = spark.sql("SELECT Name, Age FROM people WHERE Age > 30")
result.show()

Подробнее о временных представлениях

Временные представления защищают исходные данные при аналитике
Загрузка из CSV выполняется уже знакомыми методами
```
df = spark.read.csv("path/to/your/file.csv", header=True, inferSchema=True)
```

# Register DataFrame as a temporary view
df.createOrReplaceTempView("employees")

Сочетание SQL и операций DataFrame

# SQL query result
query_result = spark.sql("SELECT Name, Salary FROM employees WHERE Salary > 3000")

# DataFrame transformation
high_earners = query_result.withColumn("Bonus", query_result.Salary * 0.1)
high_earners.show()

Давайте потренируемся!

Введение в PySpark