Kolumnoperationer i DataFrame

Datarensning med PySpark

Mike Metzger

Data Engineering Consultant

Repetition: DataFrame

DataFrames:

Består av rader och kolumner
Oföränderliga
Använd transformationsoperationer för att ändra data

# 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')

Vanliga DataFrame-transformationer

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')
```

Filtrera data

Ta bort null-värden
Ta bort felaktiga poster
Dela upp data från kombinerade källor

Negera med ~

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())

Strängtransformationer för kolumner

Finns i pyspark.sql.functions
```
import pyspark.sql.functions as F
```

Tillämpas per kolumn som en transformation

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

Kan skapa mellanliggande kolumner

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

Kan konvertera till andra typer

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

Funktioner för ArrayType()-kolumner

Olika hjälpfunktioner och transformationer för att arbeta med ArrayType()

.size(<column>) – returnerar längden på en kolumn av typen arrayType()

.getItem(<index>) – hämtar ett specifikt element vid angivet index i en listkolumn.

Nu kör vi en övning!

Datarensning med PySpark