Знакомство с Parquet

Очистка данных с помощью PySpark

Mike Metzger

Data Engineering Consultant

Проблемы с CSV-файлами

Чтение файлов Parquet

df = spark.read.format('parquet').load('filename.parquet')

df = spark.read.parquet('filename.parquet')

Запись файлов Parquet

df.write.format('parquet').save('filename.parquet')

df.write.parquet('filename.parquet')

Parquet как хранилище для операций SparkSQL

flight_df = spark.read.parquet('flights.parquet')

flight_df.createOrReplaceTempView('flights')

short_flights_df = spark.sql('SELECT * FROM flights WHERE flightduration < 100')

Очистка данных с помощью PySpark