【pyspark从入门到放弃】DataFrame

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：

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；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...|
+-------------+--------------------+