使用 PySpark SQL 與 DataFrame 互動
使用 PySpark 的 Big Data 基礎
Upendra Devisetty
Science Analyst, CyVerse
DataFrame API 與 SQL 查詢
在 PySpark 中，你可透過 DataFrame API 與 SQL 查詢與 SparkSQL 互動
DataFrame API 提供針對資料的可程式化領域特定語言（DSL）
以程式方式建立 DataFrame 的轉換與動作更容易
SQL 查詢精簡、易懂，且可移植
對 DataFrame 的操作也能用 SQL 查詢完成
執行 SQL 查詢
使用 SparkSession 的
sql()方法可執行 SQL 查詢sql()方法以 SQL 陳述式為引數，回傳結果為 DataFrame
df.createOrReplaceTempView("table1")
df2 = spark.sql("SELECT field1, field2 FROM table1")
df2.collect()
[Row(f1=1, f2='row1'), Row(f1=2, f2='row2'), Row(f1=3, f2='row3')]
以 SQL 查詢擷取資料
test_df.createOrReplaceTempView("test_table")
query = '''SELECT Product_ID FROM test_table'''
test_product_df = spark.sql(query)
test_product_df.show(5)
+----------+
|Product_ID|
+----------+
| P00069042|
| P00248942|
| P00087842|
| P00085442|
| P00285442|
+----------+
用 SQL 查詢彙總與分組
test_df.createOrReplaceTempView("test_table")
query = '''SELECT Age, max(Purchase) FROM test_table GROUP BY Age'''
spark.sql(query).show(5)
+-----+-------------+
| Age|max(Purchase)|
+-----+-------------+
|18-25| 23958|
|26-35| 23961|
| 0-17| 23955|
|46-50| 23960|
|51-55| 23960|
+-----+-------------+
only showing top 5 rows
用 SQL 查詢篩選欄位
test_df.createOrReplaceTempView("test_table")
query = '''SELECT Age, Purchase, Gender FROM test_table WHERE Purchase > 20000 AND Gender == "F"'''
spark.sql(query).show(5)
+-----+--------+------+
| Age|Purchase|Gender|
+-----+--------+------+
|36-45| 23792| F|
|26-35| 21002| F|
|26-35| 23595| F|
|26-35| 23341| F|
|46-50| 20771| F|
+-----+--------+------+
only showing top 5 rows
一起來練習吧！
使用 PySpark 的 Big Data 基礎
