在使用pyspark進(jìn)行數(shù)據(jù)分析和清洗的時(shí)候，一般我們會(huì)使用dataframe來(lái)進(jìn)行數(shù)據(jù)的存儲(chǔ)和操作。所以我們?cè)跀?shù)據(jù)清洗前需要先使用pyspark創(chuàng)建dataframe并配置dataframe。接下來(lái)我們就來(lái)看看具體怎么操作。
pyspark創(chuàng)建DataFrame
為了便于操作，使用pyspark時(shí)我們通常將數(shù)據(jù)轉(zhuǎn)為DataFrame的形式來(lái)完成清洗和分析動(dòng)作。
RDD和DataFrame
在上一篇pyspark基本操作有提到RDD也是spark中的操作的分布式數(shù)據(jù)對(duì)象。
這里簡(jiǎn)單看一下RDD和DataFrame的類型。
print(type(rdd)) # <class 'pyspark.rdd.RDD'> print(type(df)) # <class 'pyspark.sql.dataframe.DataFrame'>
翻閱了一下源碼的定義，可以看到他們之間并沒(méi)有繼承關(guān)系。
class RDD(object):
"""
A Resilient Distributed Dataset (RDD), the basic abstraction in Spark.
Represents an immutable, partitioned collection of elements that can be
operated on in parallel.
"""
class DataFrame(object):
"""A distributed collection of data grouped into named columns.
A :class:`DataFrame` is equivalent to a relational table in Spark SQL,
and can be created using various functions in :class:`SparkSession`::
...
"""
RDD是一種彈性分布式數(shù)據(jù)集，Spark中的基本抽象。表示一種不可變的、分區(qū)儲(chǔ)存的集合，可以進(jìn)行并行操作。
DataFrame是一種以列對(duì)數(shù)據(jù)進(jìn)行分組表達(dá)的分布式集合， DataFrame等同于Spark SQL中的關(guān)系表。相同點(diǎn)是，他們都是為了支持分布式計(jì)算而設(shè)計(jì)。
但是RDD只是元素的集合，但是DataFrame以列進(jìn)行分組，類似于MySQL的表或pandas中的DataFrame。
實(shí)際工作中，我們用的更多的還是DataFrame。
使用二元組創(chuàng)建DataFrame
嘗試第一種情形發(fā)現(xiàn)，僅僅傳入二元組，結(jié)果是沒(méi)有列名稱的。
于是我們嘗試第二種，同時(shí)傳入二元組和列名稱。
a = [('Alice', 1)]
output = spark.createDataFrame(a).collect()
print(output)
# [Row(_1='Alice', _2=1)]
output = spark.createDataFrame(a, ['name', 'age']).collect()
print(output)
# [Row(name='Alice', age=1)]
這里collect()是按行展示數(shù)據(jù)表，也可以使用show()對(duì)數(shù)據(jù)表進(jìn)行展示。
spark.createDataFrame(a).show() # +-----+---+ # | _1| _2| # +-----+---+ # |Alice| 1| # +-----+---+ spark.createDataFrame(a, ['name', 'age']).show() # +-----+---+ # | name|age| # +-----+---+ # |Alice| 1| # +-----+---+
使用鍵值對(duì)創(chuàng)建DataFrame
d = [{'name': 'Alice', 'age': 1}]
output = spark.createDataFrame(d).collect()
print(output)
# [Row(age=1, name='Alice')]
使用rdd創(chuàng)建DataFrame
a = [('Alice', 1)]
rdd = sc.parallelize(a)
output = spark.createDataFrame(rdd).collect()
print(output)
output = spark.createDataFrame(rdd, ["name", "age"]).collect()
print(output)
# [Row(_1='Alice', _2=1)]
# [Row(name='Alice', age=1)]
基于rdd和ROW創(chuàng)建DataFrame
from pyspark.sql import Row
a = [('Alice', 1)]
rdd = sc.parallelize(a)
Person = Row("name", "age")
person = rdd.map(lambda r: Person(*r))
output = spark.createDataFrame(person).collect()
print(output)
# [Row(name='Alice', age=1)]
基于rdd和StructType創(chuàng)建DataFrame
from pyspark.sql.types import *
a = [('Alice', 1)]
rdd = sc.parallelize(a)
schema = StructType(
[
StructField("name", StringType(), True),
StructField("age", IntegerType(), True)
]
)
output = spark.createDataFrame(rdd, schema).collect()
print(output)
# [Row(name='Alice', age=1)]
基于pandas DataFrame創(chuàng)建pyspark DataFrame
df.toPandas()可以把pyspark DataFrame轉(zhuǎn)換為pandas DataFrame。
df = spark.createDataFrame(rdd, ['name', 'age']) print(df) # DataFrame[name: string, age: bigint] print(type(df.toPandas())) # <class 'pandas.core.frame.DataFrame'> # 傳入pandas DataFrame output = spark.createDataFrame(df.toPandas()).collect() print(output) # [Row(name='Alice', age=1)]
創(chuàng)建有序的DataFrame
output = spark.range(1, 7, 2).collect() print(output) # [Row(id=1), Row(id=3), Row(id=5)] output = spark.range(3).collect() print(output) # [Row(id=0), Row(id=1), Row(id=2)]
通過(guò)臨時(shí)表得到DataFrame
spark.registerDataFrameAsTable(df, "table1")
df2 = spark.table("table1")
b = df.collect() == df2.collect()
print(b)
# True
配置DataFrame和臨時(shí)表
創(chuàng)建DataFrame時(shí)指定列類型
在createDataFrame中可以指定列類型，只保留滿足數(shù)據(jù)類型的列，如果沒(méi)有滿足的列，會(huì)拋出錯(cuò)誤。
a = [('Alice', 1)]
rdd = sc.parallelize(a)
# 指定類型于預(yù)期數(shù)據(jù)對(duì)應(yīng)時(shí)，正常創(chuàng)建
output = spark.createDataFrame(rdd, "a: string, b: int").collect()
print(output) # [Row(a='Alice', b=1)]
rdd = rdd.map(lambda row: row[1])
print(rdd) # PythonRDD[7] at RDD at PythonRDD.scala:53
# 只有int類型對(duì)應(yīng)上，過(guò)濾掉其他列。
output = spark.createDataFrame(rdd, "int").collect()
print(output) # [Row(value=1)]
# 沒(méi)有列能對(duì)應(yīng)上，會(huì)拋出錯(cuò)誤。
output = spark.createDataFrame(rdd, "boolean").collect()
# TypeError: field value: BooleanType can not accept object 1 in type <class 'int'>
注冊(cè)DataFrame為臨時(shí)表
spark.registerDataFrameAsTable(df, "table1")
spark.dropTempTable("table1")
獲取和修改配置
print(spark.getConf("spark.sql.shuffle.partitions")) # 200
print(spark.getConf("spark.sql.shuffle.partitions", u"10")) # 10
print(spark.setConf("spark.sql.shuffle.partitions", u"50")) # None
print(spark.getConf("spark.sql.shuffle.partitions", u"10")) # 50
注冊(cè)自定義函數(shù)
spark.registerFunction("stringLengthString", lambda x: len(x))
output = spark.sql("SELECT stringLengthString('test')").collect()
print(output)
# [Row(stringLengthString(test)='4')]
spark.registerFunction("stringLengthString", lambda x: len(x), IntegerType())
output = spark.sql("SELECT stringLengthString('test')").collect()
print(output)
# [Row(stringLengthString(test)=4)]
spark.udf.register("stringLengthInt", lambda x: len(x), IntegerType())
output = spark.sql("SELECT stringLengthInt('test')").collect()
print(output)
# [Row(stringLengthInt(test)=4)]
查看臨時(shí)表列表
可以查看所有臨時(shí)表名稱和對(duì)象。
spark.registerDataFrameAsTable(df, "table1")
print(spark.tableNames()) # ['table1']
print(spark.tables()) # DataFrame[database: string, tableName: string, isTemporary: boolean]
print("table1" in spark.tableNames()) # True
print("table1" in spark.tableNames("default")) # True
spark.registerDataFrameAsTable(df, "table1")
df2 = spark.tables()
df2.filter("tableName = 'table1'").first()
print(df2) # DataFrame[database: string, tableName: string, isTemporary: boolean]
從其他數(shù)據(jù)源創(chuàng)建DataFrame
MySQL
前提是需要下載jar包。
Mysql-connector-java.jar
from pyspark import SparkContext
from pyspark.sql import SQLContext
import pyspark.sql.functions as F
sc = SparkContext("local", appName="mysqltest")
sqlContext = SQLContext(sc)
df = sqlContext.read.format("jdbc").options(
url="jdbc:mysql://localhost:3306/mydata?user=root&password=mysql&"
"useUnicode=true&characterEncoding=utf-8&useJDBCCompliantTimezoneShift=true&"
"useLegacyDatetimeCode=false&serverTimezone=UTC ", dbtable="detail_data").load()
df.show(n=5)
sc.stop()
參考
RDD和DataFrame的區(qū)別
spark官方文檔 翻譯 之pyspark.sql.SQLContext
以上就是pyspark創(chuàng)建dataframe和配置dataframe的全部?jī)?nèi)容了，希望對(duì)各位小伙伴有所幫助，也希望大家以后多多支持W3Cschool！
