Операции со столбцами DataFrame

Очистка данных с помощью PySpark

Mike Metzger

Data Engineering Consultant

Повторение: DataFrame

DataFrame:

Состоят из строк и столбцов
Неизменяемы
Для изменения данных используются трансформации

# 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')

Основные трансформации 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')
```

Фильтрация данных

Удаление null-значений
Удаление некорректных записей
Разделение данных из объединённых источников

Отрицание с помощью ~

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())

Строковые преобразования столбцов

Входят в состав pyspark.sql.functions
```
import pyspark.sql.functions as F
```
Применяются к столбцу как трансформация
```
voter_df.withColumn('upper', F.upper('name'))
```
Позволяют создавать промежуточные столбцы
```
voter_df.withColumn('splits', F.split('name', ' '))
```

Поддерживают приведение типов

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

Функции для столбцов ArrayType()

Вспомогательные функции и трансформации для работы с ArrayType()

.size(<column>) — возвращает длину столбца типа arrayType()

.getItem(<index>) — возвращает элемент столбца-списка по указанному индексу.

Давайте потренируемся!

Очистка данных с помощью PySpark