使用 PySpark SQL 操作 DataFrame
使用 PySpark 的大数据基础
Upendra Devisetty
Science Analyst, CyVerse
DataFrame API 与 SQL 查询
在 PySpark 中，可通过 DataFrame API 和 SQL 查询使用 SparkSQL
DataFrame API 提供用于数据的领域特定语言（DSL）
DataFrame 的转换与操作便于以编程方式构建
SQL 查询更简洁、易懂，且可移植
对 DataFrame 的操作也可用 SQL 实现
执行 SQL 查询
SparkSession 的
sql()方法执行 SQL 查询sql()接收 SQL 语句并返回 DataFrame
df.createOrReplaceTempView("table1")
df2 = spark.sql("SELECT field1, field2 FROM table1")
df2.collect()
[Row(f1=1, f2='row1'), Row(f1=2, f2='row2'), Row(f1=3, f2='row3')]
用 SQL 提取数据
test_df.createOrReplaceTempView("test_table")
query = '''SELECT Product_ID FROM test_table'''
test_product_df = spark.sql(query)
test_product_df.show(5)
+----------+
|Product_ID|
+----------+
| P00069042|
| P00248942|
| P00087842|
| P00085442|
| P00285442|
+----------+
用 SQL 汇总与分组
test_df.createOrReplaceTempView("test_table")
query = '''SELECT Age, max(Purchase) FROM test_table GROUP BY Age'''
spark.sql(query).show(5)
+-----+-------------+
| Age|max(Purchase)|
+-----+-------------+
|18-25| 23958|
|26-35| 23961|
| 0-17| 23955|
|46-50| 23960|
|51-55| 23960|
+-----+-------------+
only showing top 5 rows
用 SQL 过滤列
test_df.createOrReplaceTempView("test_table")
query = '''SELECT Age, Purchase, Gender FROM test_table WHERE Purchase > 20000 AND Gender == "F"'''
spark.sql(query).show(5)
+-----+--------+------+
| Age|Purchase|Gender|
+-----+--------+------+
|36-45| 23792| F|
|26-35| 21002| F|
|26-35| 23595| F|
|26-35| 23341| F|
|46-50| 20771| F|
+-----+--------+------+
only showing top 5 rows
开始练习！
使用 PySpark 的大数据基础
