Operații pe coloane DataFrame

Curățarea datelor cu PySpark

Mike Metzger

Data Engineering Consultant

Recapitulare DataFrame

DataFrame-uri:

Formate din rânduri și coloane
Imuabile
Folosesc operații de transformare pentru a modifica datele

# Return rows where name starts with "M" 
voter_df.filter(voter_df.name.like('M%'))

# Return name and position only
voters = voter_df.select('name', 'position')

Transformări comune ale DataFrame

Filter / Where

voter_df.filter(voter_df.date > '1/1/2019') # or voter_df.where(...)

Select
```
voter_df.select(voter_df.name)
```

withColumn

voter_df.withColumn('year', voter_df.date.year)

drop
```
voter_df.drop('unused_column')
```

Filtrarea datelor

Eliminarea valorilor null
Eliminarea înregistrărilor incorecte
Separarea datelor din surse combinate

Negare cu ~

voter_df.filter(voter_df['name'].isNotNull())
voter_df.filter(voter_df.date.year > 1800)
voter_df.where(voter_df['_c0'].contains('VOTE'))
voter_df.where(~ voter_df._c1.isNull())

Transformări pe coloane de tip șir

Incluse în pyspark.sql.functions
```
import pyspark.sql.functions as F
```

Aplicate per coloană ca transformare

voter_df.withColumn('upper', F.upper('name'))

Pot crea coloane intermediare

voter_df.withColumn('splits', F.split('name', ' '))

Pot converti la alte tipuri

voter_df.withColumn('year', voter_df['_c4'].cast(IntegerType()))

Funcții pentru coloane ArrayType()

Funcții utilitare pentru lucrul cu ArrayType()

.size(<column>) - returnează lungimea coloanei de tip arrayType()

.getItem(<index>) - preia un element specific la indexul dat dintr-o coloană de tip listă.

Să exersăm!

Curățarea datelor cu PySpark