pyspark cmd上的命令
1 读取文件
1.1 基本读取方式
pyspark中是惰性操作，所有变换类操作都是延迟计算的，pyspark只是记录了将要对数据集进行的操作
只有需要数据集将数据返回到 Driver 程序时（比如collect，count，show之类），所有已经记录的变换操作才会执行
注意读取出来的格式是Pyspark DataFrame，不是DataFrame，所以一些操作上是有区别的
1.1.1 format
DataFrame = spark.read.format("csv")
.option(name,value)
.load(path)
format表示读取格式csvoption就是读取csv时可选的选项path就是文件所在的路径
1.1.2 csv
DataFrame = spark.read
.option(name,value)
.csv(path)
option就是读取csv时可选的选项path就是文件所在的路径
1.1.3 读取多个文件
使用spark.read.csv()可以读取多个csv文件
df = spark.read.csv("path1,path2,path3")
#读取path1，path2和path3
df= spark.read.csv("Folder path")
#读取Folder path里面的所有csv文件
1.2 option 主要参数
sep 默认, 指定单个字符分割字段和值 encoding 默认utf-8 通过给定的编码类型进行解码 header 默认false 是否将第一行作为列名 schema 手动设置输出结果的类型 inferSchema 根据数据预测数据类型 加了的话文件读取的次数是2次。 比如一列int 数据，不设置inferSchema=True的话，那么返回的类型就是string类型，设置了的话，返回类型就是int类型 nullValues 指定在 CSV 中要视为 null 的字符串
1.3 举例
三种设置option的方法：
celltable = spark.read.format("csv")
.option("header", "true")
.option("delimiter","\t")
.load("xxx/test.txt")
celltable = spark.read.format("csv")
.options(header=True,delimiter='\t')
.load("xxx/test.txt")
celltable = spark.read.format("csv")
.load("xxx/test.txt",header=True,delimiter='\t')
celltable = spark.read
.option("header", "true")
.option("delimiter","\t")
.csv("xxx/test.txt")
此时的celltable不会加载数据
1.3.1 读入多个文件（使用通配符）
celltable = spark.read.format("csv")
.option("header", "true")
.option("delimiter","\t")
.load("xxx/test_*.txt")
2 其他主要函数
printSchema 打印出 DataFrame /Dataset每个列的名称和数据类型 如果read的时候不手动设置schema，或者使用inferSchema的话，默认每一列的数据类型为string select 从DataFrame中选取部分列的数据 将提取出来的某一列重命名 filter 条件查询 获得字段LAC是'307'的行 celltable.filter(celltable['LAC']=='307').show() dropDuplicates 去重 groupby sort 排序 first 数据的第一行 head take 默认是提取一行（此时和first同效果） 如果有参数，那么就是提取最前面的n行 此时返回的是python的list limit 类似于head，只不过返回的是pyspark DataFrame count 行数 collect 获取所有结点的数据 describe 类似于pandas中的describe，不过如果需要展现结果，需要使用show() withColumn 修改/新增 某一列 —> ！！！注：withColumn 后返回一个新的pyspark DataFrame 所以 即使是df=df.withColumn(...) ，且之前已经df.cache过了，withColumn之后的df仍然没有cache withColumnRenamed 某一列重命名 cast 将列的数据类型转化成指定列 show 显示前多少行（默认20行，修改需要设置参数n） truncate=False——显示每一行完整的内容 intersect 两个pyspark DATa Frame取交集 union 两个pyspark Data Frame取并集 union 操作要求两个 DataFrame 具有相同的列数和相同的列名、列顺序 dropna dropna(how='any', thresh=None, subset=None)
how——any’ or ‘all，全是nan再删除/只要出现nan就删除thresh：如果有小于等于thresh个非nan值，那么删除（覆盖how）subset——只看哪几列有没有nan
3 stat
corr 两列的相关系数
4 创建pyspark DataFrame
4.1 使用Row
from pyspark.sql import Row
data = [
Row(id=1, name="Alice", age=25),
Row(id=2, name="Bob", age=30),
Row(id=3, name="Charlie", age=28)
]
df = spark.createDataFrame(data)
df.show()
'''
+---+---+-------+
|age| id| name|
+---+---+-------+
| 25| 1| Alice|
| 30| 2| Bob|
| 28| 3|Charlie|
+---+---+-------+
'''
4.2 不使用Row
employee_salary = [
("Ali", "Sales", 8000),
("Bob", "Sales", 7000),
("Cindy", "Sales", 7500),
("Davd", "Finance", 10000),
("Elena", "Sales", 8000),
("Fancy", "Finance", 12000),
("George", "Finance", 11000),
("Haffman", "Marketing", 7000),
("Ilaja", "Marketing", 8000),
("Joey", "Sales", 9000)]
columns= ["name", "department", "salary"]
df = spark.createDataFrame(data = employee_salary, schema = columns)
df.show(truncate=False)
参考内容：IBBD.github.io/hadoop/pyspark-csv.md at master · IBBD/IBBD.github.io · GitHub
好文阅读
发表评论