Interagera med PySpark DataFrames

Grunderna i Big Data med PySpark

Upendra Devisetty

Science Analyst, CyVerse

DataFrame-operatorer i PySpark

  • DataFrame-operationer: Transformationer och åtgärder

  • DataFrame-transformationer:

    • select(), filter(), groupby(), orderby(), dropDuplicates() och withColumnRenamed()

  • DataFrame-åtgärder:

    • printSchema(), head(), show(), count(), columns och describe()

    Korrigering: printSchema() är en metod för alla Spark-datamängder/DataFrames och inte en åtgärd

Grunderna i Big Data med PySpark

Operationerna select() och show()

  • Transformationen select() väljer ut kolumner i DataFrame
df_id_age = test.select('Age')
  • Åtgärden show() skriver ut de första 20 raderna i DataFrame
df_id_age.show(3)

+---+
|Age|
+---+
| 17|
| 17|
| 17|
+---+
only showing top 3 rows
Grunderna i Big Data med PySpark

Operationerna filter() och show()

  • Transformationen filter() filtrerar rader utifrån ett villkor
new_df_age21 = new_df.filter(new_df.Age > 21)
new_df_age21.show(3)

+-------+------+---+
|User_ID|Gender|Age|
+-------+------+---+
|1000002|     M| 55|
|1000003|     M| 26|
|1000004|     M| 46|
+-------+------+---+
only showing top 3 rows
Grunderna i Big Data med PySpark

Operationerna groupby() och count()

  • Operationen groupby() används för att gruppera en variabel
test_df_age_group = test_df.groupby('Age')
test_df_age_group.count().show(3)

+---+------+
|Age| count|
+---+------+
| 26|219587|
| 17|     4|
| 55| 21504|
+---+------+
only showing top 3 rows
Grunderna i Big Data med PySpark

Transformationen orderby()

  • Operationen orderby() sorterar DataFrame efter en eller flera kolumner
test_df_age_group.count().orderBy('Age').show(3)

+---+-----+
|Age|count|
+---+-----+
|  0|15098|
| 17|    4|
| 18|99660|
+---+-----+
only showing top 3 rows
Grunderna i Big Data med PySpark

dropDuplicates()

  • dropDuplicates() tar bort duplicerade rader i en DataFrame
test_df_no_dup = test_df.select('User_ID','Gender', 'Age').dropDuplicates()
test_df_no_dup.count()

5892
Grunderna i Big Data med PySpark

Transformationen withColumnRenamed()

  • withColumnRenamed() byter namn på en kolumn i DataFrame
test_df_sex = test_df.withColumnRenamed('Gender', 'Sex')
test_df_sex.show(3)

+-------+---+---+
|User_ID|Sex|Age|
+-------+---+---+
|1000001|  F| 17|
|1000001|  F| 17|
|1000001|  F| 17|
+-------+---+---+
Grunderna i Big Data med PySpark

printSchema()

  • Operationen printSchema() skriver ut kolumntyperna i DataFrame
test_df.printSchema()

 |-- User_ID: integer (nullable = true)
 |-- Product_ID: string (nullable = true)
 |-- Gender: string (nullable = true)
 |-- Age: string (nullable = true)
 |-- Occupation: integer (nullable = true)
 |-- Purchase: integer (nullable = true)
Grunderna i Big Data med PySpark

Åtgärden columns

  • Operatorn columns skriver ut kolumnerna i en DataFrame
test_df.columns

['User_ID', 'Gender', 'Age']
Grunderna i Big Data med PySpark

Åtgärden describe()

  • Operationen describe() beräknar sammanfattande statistik för numeriska kolumner i DataFrame
test_df.describe().show()

+-------+------------------+------+------------------+
|summary|           User_ID|Gender|               Age|
+-------+------------------+------+------------------+
|  count|            550068|550068|            550068|
|   mean|1003028.8424013031|  null|30.382052764385495|
| stddev|1727.5915855307312|  null|11.866105189533554|
|    min|           1000001|     F|                 0|
|    max|           1006040|     M|                55|
+-------+------------------+------+------------------+
Grunderna i Big Data med PySpark

Nu kör vi en övning!

Grunderna i Big Data med PySpark

Preparing Video For Download...