Extract Transform Select

Вступ до Spark SQL у Python

Mark Plutowski

Data Scientist

ETS

Extract Transform Selec

Extract, Transform, and Select

Витягнення
Перетворення
Вибір

Вбудовані функції

from pyspark.sql.functions import split, explode

Функція length

from pyspark.sql.functions import length

df.where(length('sentence') == 0)

Створення користувацької функції

Користувацька функція
UDF

Імпорт функції udf

from pyspark.sql.functions import udf

Створення булевого UDF

print(df)

DataFrame[textdata: string]

from pyspark.sql.functions import udf

from pyspark.sql.types import BooleanType

Створення булевого UDF

short_udf = udf(lambda x: 
                          True if not x or len(x) < 10 else False, 
                          BooleanType())

df.select(short_udf('textdata')\
  .alias("is short"))\
  .show(3)

+--------+
|is short|
+--------+
|   false|
|    true|
|   false|
+--------+

Важливі типи повернення UDF

from pyspark.sql.types import StringType, IntegerType, FloatType, ArrayType

Створення UDF, що повертає масив

df3.select('word array', in_udf('word array').alias('without endword'))\
   .show(5, truncate=30)

+-----------------------------+----------------------+
|                   word array|       without endword|
+-----------------------------+----------------------+
|[then, how, many, are, there]|[then, how, many, are]|
|                  [how, many]|                 [how]|
|             [i, donot, know]|            [i, donot]|
|                  [quite, so]|               [quite]|
|   [you, have, not, observed]|      [you, have, not]|
+-----------------------------+----------------------+

Створення UDF, що повертає масив

from pyspark.sql.types import StringType, ArrayType

# Removes last item in array
in_udf = udf(lambda x: 
    x[0:len(x)-1] if x and len(x) > 1 
    else [], 
    ArrayType(StringType()))

Формат розрідженого вектора

Індекси
Значення

Приклад:

Масив: [1.0, 0.0, 0.0, 3.0]
Розріджений вектор: (4, [0, 3], [1.0, 3.0])

Робота з векторними даними

hasattr(x, "toArray")
x.numNonzeros())

Давайте потренуємось!

Вступ до Spark SQL у Python