pyspark笔记：读取 & 处理csv文件 （pyspark DataFrame） |
您所在的位置：网站首页 › python处理csv文件忽略表头 › pyspark笔记：读取 & 处理csv文件 （pyspark DataFrame） |
pyspark笔记：读取 & 处理csv文件 （pyspark DataFrame）
|
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
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
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
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
行数
类似于pandas中的describe，不过如果需要展现结果，需要使用show()
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
某一列重命名
将列的数据类型转化成指定列
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 dropnadropna(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
参考内容：IBBD.github.io/hadoop/pyspark-csv.md at master · IBBD/IBBD.github.io · GitHub |
—>
【本文地址】
今日新闻 |
推荐新闻 |