环境安装
pyspark支持通过pypip、conda下载，或者手动下载。 笔者通过pip install命令从pypip下载并配置安装了3.5.0版本的Spark。
创建实例
使用spark的第一步就是拿到一个SparkSession对象。最简单的方法是
SparkSession.builder.getOrCreate()
即，直接使用默认参数创建实例。也可以做一些配置，比如
SparkSession.builder \
.appName(app_name) \
.enableHiveSupport() \
.getOrCreate()
DataFrame
创建DataFrame
DataFrame是类似pandas库中的DataFrame的类型，可以转换为SparkSession支持的View。 创建一个DataFrame通常使用SparkSession#createDataFrame命令。如要创建一个DataFrame满足第一列的名称是integer_value，类型是整形；第二列的名称是text_value，类型是字符串；共有三行数据，分别为(1, ‘a’), (2, ‘b’), (3, ‘abcdefghijklmnopqrstuvwxyz’)，则可以使用下面命令创建
data_frame: pyspark.sql.DataFrame = spark.createDataFrame([
Row(integer_value=1, text_value='a'),
Row(integer_value=2, text_value='b'),
Row(integer_value=3, text_value='abcdefghijklmnopqrstuvwxyz'),
], schema='integer_value int, text_value string')
查看DataFrame
使用DataFrame#show可以查看数据内容。使用DataFrame#printSchema可以查看数据结构。
show
执行data_frame.show()即可查看DataFrame数据内容，得到结果如下：
+-------------+--------------------+
|integer_value| text_value|
+-------------+--------------------+
| 1| a|
| 2| b|
| 3|abcdefghijklmnopq...|
+-------------+--------------------+
show方法其实有三个参数如下：
参数名类型描述nint只取头部的n个数据，不传取所有数据truncateUnion[bool, int]不填或者True或者小于等于0的整数：如果字段长度不超过20个字符，则全部展示；如果字段长度超过20，则只展示前面17个字符，跟随...表示只展示部分False：展示字段的全部内容大于0的整数：假设数字为num。如果字段长度不超过num，则全部展示；如果字段长度超过num，而且num > 3，则只展示前面num-3个字符，跟随...表示只展示部分如果字段长度超过num，而且num ≤ 3，则只展示前面num个字符verticalbool是否竖向展示数据。不填或者False：表格形式展示数据True：键值对列表形式展示数据
取n=2，执行data_frame.show(n=2)得到结果如下：
+-------------+----------+
|integer_value|text_value|
+-------------+----------+
| 1| a|
| 2| b|
+-------------+----------+
取truncate=3，执行data_frame.show(truncate=3)，得到结果如下：
+-------------+----------+
|integer_value|text_value|
+-------------+----------+
| 1| a|
| 2| b|
| 3| abc|
+-------------+----------+
取truncate=4，执行data_frame.show(truncate=4)，得到结果如下：
+-------------+----------+
|integer_value|text_value|
+-------------+----------+
| 1| a|
| 2| b|
| 3| a...|
+-------------+----------+
取truncate=True，执行data_frame.show(truncate=True)，得到结果如下：
+-------------+--------------------+
|integer_value| text_value|
+-------------+--------------------+
| 1| a|
| 2| b|
| 3|abcdefghijklmnopq...|
+-------------+--------------------+
取vertical=True，执行data_frame.show(vertical=True)，得到结果如下：
-RECORD 0-----------------------------
integer_value | 1
text_value | a
-RECORD 1-----------------------------
integer_value | 2
text_value | b
-RECORD 2-----------------------------
integer_value | 3
text_value | abcdefghijklmnopq...
columns
获取 列名组成的列表。执行print(data_frame.columns)得到打印结果如下：
['integer_value', 'text_value']
printSchema
执行data_frame.printSchema()查看DataFrame结构，得到结果如下：
root
|-- integer_value: integer (nullable = true)
|-- text_value: string (nullable = true)
select
select方法可以案列打印数据，如执行data_frame.select("integer_value", "text_value").show()得到结果：
+-------------+--------------------+
|integer_value| text_value|
+-------------+--------------------+
| 1| a|
| 2| b|
| 3|abcdefghijklmnopq...|
+-------------+--------------------+
执行data_frame.select("integer_value").show()得到结果：
+-------------+
|integer_value|
+-------------+
| 1|
| 2|
| 3|
+-------------+
describe
describe方法用于计算数据的基本统计特征，包括数量（count）、平均数（mean）、标准差（stddev）、最小值（min）、最大值（max）等。 执行data_frame.describe().show()得到结果：
+-------+-------------+----------+
|summary|integer_value|text_value|
+-------+-------------+----------+
| count| 3| 3|
| mean| 2.0| NULL|
| stddev| 1.0| NULL|
| min| 1| a|
| max| 3| b|
+-------+-------------+----------+
describe方法也可以指定列计算。执行ddata_frame.describe(['integer_value', 'text_value']).show()得到相同结果
summary
summary方法和describe一样，用于计算数据的基本统计特征，不能指定要统计的列，但是拥有更多字段，包括数量（count）、平均数（mean）、标准差（stddev）、最小值（min）、25%位数（25%）、中位数（100%）、75%位数（75%）、最大值（max）等。 执行data_frame.summary().show()得到结果：
+-------+-------------+----------+
|summary|integer_value|text_value|
+-------+-------------+----------+
| count| 3| 3|
| mean| 2.0| NULL|
| stddev| 1.0| NULL|
| min| 1| a|
| 25%| 1| NULL|
| 50%| 2| NULL|
| 75%| 3| NULL|
| max| 3| b|
+-------+-------------+----------+
配合select方法指定目标列，即可解决summary方法不能指定列的问题。
collect
collect方法用于将DataFrame中的数据写入内存中，数据量太大可能导致out-of-memory异常。执行print(data_frame.collect())得到打印结果：
[Row(integer_value=1, text_value='a'), Row(integer_value=2, text_value='b'), Row(integer_value=3, text_value='abcdefghijklmnopqrstuvwxyz')]
take和tail
数据量太大的情况下使用collect方法可能导致内存溢出，take方法和tail方法通过限制查询的数据条数，来规避此问题。take方法支持从前往后查询指定个数的数据；tail方法支持从后往前查询指定个数的数据。
filter
filter方法支持对DataFrame中的数据进行过滤，便于准确找到目标数据。执行data_frame.filter('integer_value > 1').show()，得到结果：
+-------------+--------------------+
|integer_value| text_value|
+-------------+--------------------+
| 2| b|
| 3|abcdefghijklmnopq...|
+-------------+--------------------+
列名
直接.列名就可以获得列对象，执行print(data_frame.integer_value)，得到结果Column<'integer_value'>；执行data_frame.select(data_frame.integer_value).show()，得到结果
+-------------+
|integer_value|
+-------------+
| 1|
| 2|
| 3|
+-------------+
DataFrame的修改
toPandas
toPandas方法用于把pyspark的DataFrame类型数据转换为pandas的DataFrame类型数据。和collect方法一样，如果数据量太大，可能导致out-of-memory异常。
withColumn
withColumn会生成一个新的DataFrame实例，内部数据和有原有DataFrame数据新增或更新一列，后相同，原有DataFrame的值不变。执行data_frame.withColumn('upper_text', pyspark.sql.functions.upper(data_frame.text_value)).show()，得到结果：
+-------------+--------------------+--------------------+
|integer_value| text_value| first_char|
+-------------+--------------------+--------------------+
| 1| a| A|
| 2| b| B|
| 3|abcdefghijklmnopq...|ABCDEFGHIJKLMNOPQ...|
+-------------+--------------------+--------------------+
再执行data_frame.show()，还是和调用withColumn方法前一样。
createOrReplaceTempView
执行下面代码
data_frame.createOrReplaceTempView('temp_table')
spark.sql('select * from temp_table').show()
代码将DataFrame转换为临时视图，并查看此临时视图的内容得到结果如下：
+-------------+--------------------+
|integer_value| text_value|
+-------------+--------------------+
| 1| a|
| 2| b|
| 3|abcdefghijklmnopq...|
+-------------+--------------------+
文章链接
发表评论