PySpark的DataFrame处理方法
转：https://blog.csdn.net/weimingyu945/article/details/77981884
感谢！
-------------------------------------------------------------------------------------------------------
基本操作：
运行时获取spark版本号（以spark 2.0.0为例）：
| sparksn = SparkSession.builder.appName("PythonSQL").getOrCreate()
print sparksn.version
|
创建和转换格式：
Pandas和Spark的DataFrame两者互相转换：
| pandas_df = spark_df.toPandas() | spark_df = sqlContext.createDataFrame(pandas_df) |
与Spark RDD的相互转换：
| rdd_df = df.rdd | df = rdd_df.toDF() |
注：rdd转df前提是每个rdd的类型都是Row类型
增：
新增列：
| df.withColumn(“xx”, 0).show() 会报错，因为原来没有xx列 from pyspark.sql import functions
df = df.withColumn(“xx”, functions.lit(0)).show()
|
fillna函数：
| df.na.fill() |
以原有列为基础添加列：
| df = df.withColumn('count20', df["count"] - 20) # 新列为原有列的数据减去20 |
删：
删除一列：
| 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 |
改：
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")) |
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`.
groupBy方法整合：
| GroupedData = df.groupBy(“age”) 应用单个函数（按照A列同名的进行分组，组内对B列进行均值计算来合并）： df.groupBy(“A”).avg(“B”).show()
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
【函数应用】将df的每一列应用函数f：
| df.foreach(f) 或者 df.rdd.foreach(f) |
【函数应用】将df的每一块应用函数f：
| df.foreachPartition(f) 或者 df.rdd.foreachPartition(f) |
【Map和Reduce应用】返回类型seqRDDs
| df.map(func) df.reduce(func) |
解决toDF()跑出First 100 rows类型无法确定的异常，可以采用将Row内每个元素都统一转格式，或者判断格式处理的方法，解决包含None类型时转换成DataFrame出错的问题：
| @staticmethod
def map_convert_none_to_str(row):
dict_row = row.asDict()
for key in dict_row:
if key != 'some_column_name':
value = dict_row[key]
if value is None:
value_in = str("")
else:
value_in = str(value)
dict_row[key] = value_in
columns = dict_row.keys()
v = dict_row.values()
row = Row(*columns)
return row(*v)
|
查：
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), ... ...] |
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
查询总行数：
| int_num = df.count() |
查询某列为null的行：
| from pyspark.sql.functions import isnull df = df.filter(isnull("col_a")) |
列元素操作：
获取Row元素的所有列名：
| r = Row(age=11, name='Alice') print r.__fields__ # ['age', 'name'] |
选择一列或多列：
|
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
|
排序：
| df = df.sort("age", ascending=False) |
过滤数据（filter和where方法相同）：
| df = df.filter(df['age']>21) df = df.where(df['age']>21) # 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） |
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 <= 19″) |
时间序列操作：
先按某几列分组，再按时间段分组：
| from pyspark.sql.functions import window win_monday = window("col1", "1 week", startTime="4 day")
GroupedData = df.groupBy([df.col2, df.col3, df.col4, win_monday])
|
参考资料：
传统MySQL查询（执行时间 19 min 16.58 sec）：
| mysql>
SELECT
MIN(yearD),
MAX(yearD) AS max_year,
Carrier,
COUNT(*) AS cnt,
SUM(IF(ArrDelayMinutes > 30, 1, 0)) AS flights_delayed,
ROUND(SUM(IF(ArrDelayMinutes > 30, 1, 0)) / COUNT(*),2) AS rate
FROM
ontime_part
WHERE
DayOfWeek NOT IN (6 , 7)
AND OriginState NOT IN ('AK' , 'HI', 'PR', 'VI')
AND DestState NOT IN ('AK' , 'HI', 'PR', 'VI')
GROUP BY carrier
HAVING cnt > 1000 AND max_year > '1990'
ORDER BY rate DESC , cnt DESC
LIMIT 10;
|
使用Scala语言摘写的Spark查询（执行时间 2 min 19.628 sec）：
| scala>
val jdbcDF = spark.read.format("jdbc").options(Map("url" -> "jdbc:mysql://localhost:3306/ontime?user=root&password=mysql",
"dbtable" -> "ontime.ontime_sm",
"fetchSize" -> "10000",
"partitionColumn" -> "yeard",
"lowerBound" -> "1988",
"upperBound" -> "2015",
"numPartitions" -> "48")).load()
jdbcDF.createOrReplaceTempView("ontime")
val sqlDF = sql("SELECT
MIN(yearD),
MAX(yearD) AS max_year,
Carrier,
COUNT(*) AS cnt,
SUM(IF(ArrDelayMinutes > 30, 1, 0)) AS flights_delayed,
ROUND(SUM(IF(ArrDelayMinutes > 30, 1, 0)) / COUNT(*),2) AS rate
FROM
ontime_part
WHERE
DayOfWeek NOT IN (6 , 7)
AND OriginState NOT IN ('AK' , 'HI', 'PR', 'VI')
AND DestState NOT IN ('AK' , 'HI', 'PR', 'VI')
GROUP BY carrier
HAVING cnt > 1000 AND max_year > '1990'
ORDER BY rate DESC , cnt DESC
LIMIT 10;
")
sqlDF.show()
|
Spark RDD中的map、reduce等操作的概念详解：
map将RDD中的每个元素都经过map内函数处理后返回给原来的RDD，即对每个RDD单独处理且不影响其它和总量。属于一对一的关系（这里一指的是对1个RDD而言）。
flatMap将RDD中的每个元素进行处理，返回一个list，list里面可以是1个或多个RDD，最终RDD总数会不变或变多。属于一变多的关系（这里一指的是对1个RDD而言）。
reduce将RDD中元素前两个传给输入函数，产生一个新的return值，新产生的return值与RDD中下一个元素（第三个元素）组成两个元素，再被传给输入函数，直到最后只有一个值为止。属于多变一的关系。
val c = sc.parallelize(1 to 10)
c.reduce((x, y) => x + y)//结果55
reduceByKey(binary_function)
reduceByKey就是对元素为KV对的RDD中Key相同的元素的Value进行binary_function的reduce操作，因此，Key相同的多个元素的值被reduce为一个值，然后与原RDD中的Key组成一个新的KV对。属于多变少的关系。
val a = sc.parallelize(List((1,2),(1,3),(3,4),(3,6)))
a.reduceByKey((x,y) => x + y).collect
