แนะนำ PySpark DataFrames

PySpark เบื้องต้น

Benjamin Schmidt

Data Engineer

เกี่ยวกับ DataFrames

DataFrame: รูปแบบตาราง (แถว/คอลัมน์)
รองรับการดำเนินการแบบ SQL
คล้ายกับ Pandas DataFrame หรือ SQL TABLE
ข้อมูลเชิงโครงสร้าง

DataFrames

การสร้าง DataFrame จาก filestore

# Create a DataFrame from CSV
census_df = spark.read.csv('path/to/census.csv', header=True, inferSchema=True)

แสดงผล DataFrame

# Show the first 5 rows of the DataFrame
census_df.show()

   age  education.num marital.status         occupation income
0   90              9        Widowed                  ?  <=50K
1   82              9        Widowed    Exec-managerial  <=50K
2   66             10        Widowed                  ?  <=50K
3   54              4       Divorced  Machine-op-inspct  <=50K
4   41             10      Separated     Prof-specialty  <=50K

แสดง Schema ของ DataFrame

# Show the schema
census_df.printSchema()

Output:
root
 |-- age: integer (nullable = true)
 |-- education.num: integer (nullable = true)
 |-- marital.status: string (nullable = true)
 |-- occupation: string (nullable = true)
 |-- income: string (nullable = true)

การวิเคราะห์เบื้องต้นบน PySpark DataFrames

# .count() will return the total row numbers in the DataFrame
row_count = census_df.count()
print(f'Number of rows: {row_count}')

# groupby() allows the use of sql-like aggregations
census_df.groupBy('gender').agg({'salary_usd': 'avg'}).show()

ฟังก์ชัน aggregate อื่น ๆ ได้แก่:

sum()
min()
max()

ฟังก์ชันหลักสำหรับ PySpark analytics

.select(): เลือกคอลัมน์ที่ต้องการจาก DataFrame
.filter(): กรองแถวตามเงื่อนไขที่กำหนด
.groupBy(): จัดกลุ่มแถวตามคอลัมน์หนึ่งคอลัมน์หรือมากกว่า
.agg(): ใช้ฟังก์ชัน aggregate กับข้อมูลที่จัดกลุ่มแล้ว

ตัวอย่างการใช้ฟังก์ชันหลัก

# Using filter and select, we can narrow down our DataFrame
filtered_census_df = census_df.filter(df['age'] > 50).select('age', 'occupation')
filtered_census_df.show()

Output
+---+------------------+
|age|       occupation |
+---+------------------+
| 90|                 ?|
| 82|   Exec-managerial|
| 66|                 ?|
| 54| Machine-op-inspct|
+---+------------------+

มาฝึกกันเถอะ!

PySpark เบื้องต้น