pyspark基础知识点

您所在的位置：网站首页 › kdeconnect怎么用 › pyspark基础知识点

pyspark基础知识点

2023-03-28 13:28| 来源: 网络整理| 查看: 265

1. 查 1.1 行元素查询操作

像SQL那样打印列表前20元素，show函数内可用int类型指定要打印的行数：

df.show() df.show(30)

以树的形式打印概要：

df.printSchema()

获取头几行到本地：　

list = df.head(3) # Example: [Row(a=1, b=1), Row(a=2, b=2), ... ...] list = df.take(5) # Example: [Row(a=1, b=1), Row(a=2, b=2), ... ...]

查询总行数：　　

df.count()

取别名：

df.select(df.age.alias('age_value'),'name')

查询某列为null的行：

from pyspark.sql.functions import isnull df = df.filter(isnull("col_a"))

输出list类型，list中每个元素是Row类：

list = df.collect()#注：此方法将所有数据全部导入到本地，返回一个Array对象

查询概况

df.describe().show()

以及查询类型，之前是type，现在是df.printSchema()

去重set操作，跟py中的set一样，可以distinct()一下去重，同时也可以.count()计算剩余个数

data.select('columns').distinct().show()

随机抽样有两种方式，一种是在HIVE里面查数随机；另一种是在pyspark之中

#HIVE里面查数随机 sql = "select * from data order by rand() limit 2000" #pyspark之中 sample = result.sample(False,0.5,0) # randomly select 50% of lines 1.2 列元素操作

获取Row元素的所有列名：　

r = Row(age=11, name='Alice') print(r.columns) # ['age', 'name']

选择一列或多列：select

df["age"] df.age df.select(“name”) df.select(df[‘name’], df[‘age’]+1) df.select(df.a, df.b, df.c) # 选择a、b、c三列 df.select(df["a"], df["b"], df["c"]) # 选择a、b、c三列

重载的select方法：　

#同时显示id列、id + 1列 jdbcDF.select(jdbcDF( "id" ), jdbcDF( "id") + 1 ).show( false) #还可以用where按条件选择 jdbcDF.where("id = 1 or c1 = 'b'" ).show() 1.3 排序　　

orderBy和sort：按指定字段排序，默认为升序

train.orderBy(train.Purchase.desc()).show(5) Output: +-------+----------+------+-----+----------+-------------+--------------------------+--------------+------------------+------------------+------------------+--------+ |User_ID|Product_ID|Gender| Age|Occupation|City_Category|Stay_In_Current_City_Years|Marital_Status|Product_Category_1|Product_Category_2|Product_Category_3|Purchase| +-------+----------+------+-----+----------+-------------+--------------------------+--------------+------------------+------------------+------------------+--------+ |1003160| P00052842| M|26-35| 17| C| 3| 0| 10| 15| null| 23961| |1002272| P00052842| M|26-35| 0| C| 1| 0| 10| 15| null| 23961| |1001474| P00052842| M|26-35| 4| A| 2| 1| 10| 15| null| 23961| |1005848| P00119342| M|51-55| 20| A| 0| 1| 10| 13| null| 23960| |1005596| P00117642| M|36-45| 12| B| 1| 0| 10| 16| null| 23960| +-------+----------+------+-----+----------+-------------+--------------------------+--------------+------------------+------------------+------------------+--------+ only showing top 5 rows

1.4 抽样

sample是抽样函数

t1 = train.sample(False, 0.2, 42) t2 = train.sample(False, 0.2, 43) t1.count(),t2.count() Output: (109812, 109745)

　　withReplacement = True or False代表是否有放回。fraction = x, where x = .5，代表抽取百分比

1.5 按条件筛选when / between

when(condition, value1).otherwise(value2)联合使用：那么：当满足条件condition的指赋值为values1,不满足条件的则赋值为values2.otherwise表示，不满足条件的情况下，应该赋值为啥。

demo1：

>>> from pyspark.sql import functions as F >>> df.select(df.name, F.when(df.age > 4, 1).when(df.age < 3, -1).otherwise(0)).show() +-----+------------------------------------------------------------+ | name|CASE WHEN (age > 4) THEN 1 WHEN (age < 3) THEN -1 ELSE 0 END| +-----+------------------------------------------------------------+ |Alice| -1| | Bob| 1| +-----+------------------------------------------------------------+

demo 2:多个when串联　

df = df.withColumn('mod_val_test1',F.when(df['rand'] > df.select(df.name, df.age.between(2, 4)).show() +-----+---------------------------+ | name|((age >= 2) AND (age >> train.withColumn('Purchase_new', train.Purchase /2.0).select('Purchase','Purchase_new').show(5) Output: +--------+------------+ |Purchase|Purchase_new| +--------+------------+ | 8370| 4185.0| | 15200| 7600.0| | 1422| 711.0| | 1057| 528.5| | 7969| 3984.5| +--------+------------+ only showing top 5 rows

**报错：**AssertionError: col should be Column，一定要指定某现有列

有两种方式可以实现：

一种方式通过functions from pyspark.sql import functions result3 = result3.withColumn('label', functions.lit(0))

但是！！如何新增一个特别List??(参考：王强的知乎回复)python中的list不能直接添加到dataframe中，需要先将list转为新的dataframe,然后新的dataframe和老的dataframe进行join操作, 下面的例子会先新建一个dataframe，然后将list转为dataframe，然后将两者join起来。

from pyspark.sql.functions import lit df = sqlContext.createDataFrame( [(1, "a", 23.0), (3, "B", -23.0)], ("x1", "x2", "x3")) from pyspark.sql.functions import monotonically_increasing_id df = df.withColumn("id", monotonically_increasing_id()) df.show() +---+---+-----+---+ | x1| x2| x3| id| +---+---+-----+---+ | 1| a| 23.0| 0| | 3| B|-23.0| 1| +---+---+-----+---+ from pyspark.sql import Row l = ['jerry', 'tom'] row = Row("pid", "name") new_df = sc.parallelize([row(i, l[i]) for i in range(0,len(l))]).toDF() new_df.show() +---+-----+ |pid| name| +---+-----+ | 0|jerry| | 1| tom| +---+-----+ join_df = df.join(new_df, df.id==new_df.pid) join_df.show() +---+---+-----+---+---+-----+ | x1| x2| x3| id|pid| name| +---+---+-----+---+---+-----+ | 1| a| 23.0| 0| 0|jerry| | 3| B|-23.0| 1| 1| tom| +---+---+-----+---+---+-----+

　#####**坑啊！！！**其中，monotonically_increasing_id()生成的ID保证是单调递增和唯一的，但不是连续的。所以，有可能，单调到1-140000，到了第144848个，就变成一长串：8845648744563，所以千万要注意！！　

另一种方式通过另一个已有变量： result3 = result3.withColumn('label', df.result*0 ) 修改原有df[“xx”]列的所有值： df = df.withColumn(“xx”, 1) 修改列的类型（类型投射）： df = df.withColumn("year2", df["year1"].cast("Int")) 修改列名： jdbcDF.withColumnRenamed( "id" , "idx" )

2.3 过滤数据

过滤数据（filter和where方法相同）：

df = df.filter(df['age']>21) df = df.where(df['age']>21)

多个条件

jdbcDF .filter(“id = 1 or c1 = ‘b’” ).show()

对null或nan数据进行过滤：

from pyspark.sql.functions import isnan, isnull df = df.filter(isnull("a")) # 把a列里面数据为null的筛选出来（代表python的None类型） df = df.filter(isnan("a")) # 把a列里面数据为nan的筛选出来（Not a Number，非数字数据） 3、合并 join / union 3.1 横向拼接rbind result3 = result1.union(result2) jdbcDF.unionALL(jdbcDF.limit(1)) # unionALL 3.2 Join根据条件单字段Join

合并2个表的join方法：

df_join = df_left.join(df_right, df_left.key == df_right.key, "inner")

其中，方法可以为：inner, outer, left_outer, right_outer, leftsemi.其中注意，一般需要改为：left_outer

多字段join joinDF1.join(joinDF2, Seq("id", "name")）混合字段 joinDF1.join(joinDF2 , joinDF1("id" ) === joinDF2( "t1_id"))

跟pandas 里面的left_on,right_on　　

3.2 求并集、交集

来看一个例子，先构造两个dataframe：

sentenceDataFrame = spark.createDataFrame(( (1, "asf"), (2, "2143"), (3, "rfds") )).toDF("label", "sentence") sentenceDataFrame.show() sentenceDataFrame1 = spark.createDataFrame(( (1, "asf"), (2, "2143"), (4, "f8934y") )).toDF("label", "sentence")

# 差集 newDF = sentenceDataFrame1.select("sentence").subtract(sentenceDataFrame.select("sentence")) newDF.show() +--------+ |sentence| +--------+ | f8934y| +--------+

# 交集 newDF = sentenceDataFrame1.select("sentence").intersect(sentenceDataFrame.select("sentence")) newDF.show() +--------+ |sentence| +--------+ | asf| | 2143| +--------+

# 并集 newDF = sentenceDataFrame1.select("sentence").union(sentenceDataFrame.select("sentence")) newDF.show() +--------+ |sentence| +--------+ | asf| | 2143| | f8934y| | asf| | 2143| | rfds| +--------+

# 并集 + 去重 newDF = sentenceDataFrame1.select("sentence").union(sentenceDataFrame.select("sentence")).distinct() newDF.show() +--------+ |sentence| +--------+ | rfds| | asf| | 2143| | f8934y| +--------+

3.3 分割：行转列

有时候需要根据某个字段内容进行分割，然后生成多行，这时可以使用explode方法　　下面代码中，根据c3字段中的空格将字段内容进行分割，分割的内容存储在新的字段c3_中，如下所示　　

jdbcDF.explode( "c3" , "c3_" ){time: String => time.split( " " )}

4 统计 4.1 频数统计与筛选　 jdbcDF.stat.freqItems(Seq ("c1") , 0.3).show()#根据c4字段，统计该字段值出现频率在30%以上的内容 4.2 分组统计交叉分析： train.crosstab('Age', 'Gender').show() Output: +----------+-----+------+ |Age_Gender| F| M| +----------+-----+------+ | 0-17| 5083| 10019| | 46-50|13199| 32502| | 18-25|24628| 75032| | 36-45|27170| 82843| | 55+| 5083| 16421| | 51-55| 9894| 28607| | 26-35|50752|168835| +----------+-----+------+ groupBy方法整合： train.groupby('Age').agg({'Purchase': 'mean'}).show() Output: +-----+-----------------+ | Age| avg(Purchase)| +-----+-----------------+ |51-55|9534.808030960236| |46-50|9208.625697468327| | 0-17|8933.464640444974| |36-45|9331.350694917874| |26-35|9252.690632869888| | 55+|9336.280459449405| |18-25|9169.663606261289| +-----+-----------------+

另外一些demo：

df['x1'].groupby(df['x2']).count().reset_index(name='x1') 分组汇总： train.groupby('Age').count().show() Output: +-----+------+ | Age| count| +-----+------+ |51-55| 38501| |46-50| 45701| | 0-17| 15102| |36-45|110013| |26-35|219587| | 55+| 21504| |18-25| 99660| +-----+------+ 应用多个函数：　 from pyspark.sql import functions df.groupBy(“A”).agg(functions.avg(“B”), functions.min(“B”), functions.max(“B”)).show()

整合后GroupedData类型可用的方法（均返回DataFrame类型）： avg(*cols) —— 计算每组中一列或多列的平均值 count() —— 计算每组中一共有多少行，返回DataFrame有2列，一列为分组的组名，另一列为行总数 max(*cols) —— 计算每组中一列或多列的最大值 mean(*cols) —— 计算每组中一列或多列的平均值 min(*cols) —— 计算每组中一列或多列的最小值 sum(*cols) —— 计算每组中一列或多列的总和 4.3 apply 函数将df的每一列应用函数f： df.foreach(f) 或者 df.rdd.foreach(f) 将df的每一块应用函数f： df.foreachPartition(f) 或者 df.rdd.foreachPartition(f) 4.4 【Map和Reduce应用】返回类型seqRDDs map函数应用

可以参考：Spark Python API函数学习：pyspark API(1)

train.select('User_ID').rdd.map(lambda x:(x,1)).take(5) Output: [(Row(User_ID=1000001), 1), (Row(User_ID=1000001), 1), (Row(User_ID=1000001), 1), (Row(User_ID=1000001), 1), (Row(User_ID=1000002), 1)]

其中map在spark2.0就移除了，所以只能由rdd.调用。　　

data.select('col').rdd.map(lambda l: 1 if l in ['a','b'] else 0 ).collect() print(x.collect()) print(y.collect()) [1, 2, 3] [(1, 1), (2, 4), (3, 9)]

还有一种方式mapPartitions：

def _map_to_pandas(rdds): """ Needs to be here due to pickling issues """ return [pd.DataFrame(list(rdds))] data.rdd.mapPartitions(_map_to_pandas).collect()

　　返回的是list。

udf 函数应用：

from pyspark.sql.functions import udf from pyspark.sql.types import StringType import datetime # 定义一个 udf 函数 def today(day): if day==None: return datetime.datetime.fromtimestamp(int(time.time())).strftime('%Y-%m-%d') else: return day # 返回类型为字符串类型 udfday = udf(today, StringType()) # 使用 df.withColumn('day', udfday(df.day))

　　有点类似apply,定义一个 udf 方法, 用来返回今天的日期(yyyy-MM-dd)。

5、删除 df.drop('age').collect() df.drop(df.age).collect() dropna函数：　　 df = df.na.drop() # 扔掉任何列包含na的行 df = df.dropna(subset=['col_name1', 'col_name2']) # 扔掉col1或col2中任一一列包含na的行

ex:　　

train.dropna().count() Output: 166821

填充NA，包括fillna　　

train.fillna(-1).show(2) Output: +-------+----------+------+----+----------+-------------+--------------------------+--------------+------------------+------------------+------------------+--------+ |User_ID|Product_ID|Gender| Age|Occupation|City_Category|Stay_In_Current_City_Years|Marital_Status|Product_Category_1|Product_Category_2|Product_Category_3|Purchase| +-------+----------+------+----+----------+-------------+--------------------------+--------------+------------------+------------------+------------------+--------+ |1000001| P00069042| F|0-17| 10| A| 2| 0| 3| -1| -1| 8370| |1000001| P00248942| F|0-17| 10| A| 2| 0| 1| 6| 14| 15200| +-------+----------+------+----+----------+-------------+--------------------------+--------------+------------------+------------------+------------------+--------+ only showing top 2 rows 6、去重 6.1 distinct：返回一个不包含重复记录的DataFrame

返回当前DataFrame中不重复的Row记录。该方法和接下来的dropDuplicates()方法不传入指定字段时的结果相同。　　示例：

jdbcDF.distinct() 6.2 dropDuplicates：根据指定字段去重

　　根据指定字段去重。类似于select distinct a, b操作　　示例：

train.select('Age','Gender').dropDuplicates().show() Output: +-----+------+ | Age|Gender| +-----+------+ |51-55| F| |51-55| M| |26-35| F| |26-35| M| |36-45| F| |36-45| M| |46-50| F| |46-50| M| | 55+| F| | 55+| M| |18-25| F| | 0-17| F| |18-25| M| | 0-17| M| +-----+------+ 7、格式转换 pandas-spark.dataframe互转

Pandas和Spark的DataFrame两者互相转换：

pandas_df = spark_df.toPandas() spark_df = sqlContext.createDataFrame(pandas_df)

转化为pandas，但是该数据要读入内存，如果数据量大的话，很难跑得动

两者的异同：

Pyspark DataFrame是在分布式节点上运行一些数据操作，而pandas是不可能的； Pyspark DataFrame的数据反映比较缓慢，没有Pandas那么及时反映； Pyspark DataFrame的数据框是不可变的，不能任意添加列，只能通过合并进行； pandas比Pyspark DataFrame有更多方便的操作以及很强大转化为RDD 与Spark RDD的相互转换： rdd_df = df.rdd df = rdd_df.toDF() 8、SQL操作

DataFrame注册成SQL的表：

df.createOrReplaceTempView("TBL1")

进行SQL查询（返回DataFrame）：　

conf = SparkConf() ss = SparkSession.builder.appName("APP_NAME").config(conf=conf).getOrCreate() df = ss.sql(“SELECT name, age FROM TBL1 WHERE age >= 13 AND age

【本文地址】

pyspark基础知识点

pyspark基础知识点

今日新闻

推荐新闻