第七次作业（补交）

原因：五一假期忘了

 

 

1.请分析SparkSQL出现的原因，并简述SparkSQL的起源与发展。

　　Spark SQL 的前身是 Shark ，即"Hive on Spark"，由 Reynold Xin 主导开发。Shark 项目最初启动于 2011 年，当时 Hive 几乎算是唯一的 SQL-on-Hadoop 选择方案。Hive 将 SQL 语句翻译为 MapReduce ，性能会受限于 MapReduce 计算模型，始终无法满足各种交互式 SQL 分析的需求，因此许多机构仍然依赖传统的企业数据仓库( EDW )。Shark 的提出就是针对这种需求的，目标是既能够达到 EDW 的性能，又能够具有 MapReduce 的水平扩展功能。Shark 建立在 Hive 代码的基础上，只修改了内存管理、物理计划、执行 3 个模块中的部分逻辑。Shark 通过将 Hive 的部分物理执行计划交换出来(“swapping out the physical execution engine part of Hive")，最终将 HiveQL 转换为 Spark 的计算模型，使之能运行在 Spark 引擎上，从而使得 SQL 査询的速度得到 10 ~ 100 倍的提升。此外， Shark 的最大特性是与 Hive 完全兼容，并且支持用户编写机器学习或数据处理函数，对 HiveQL 执行结果进行进一步分析。

 

2. 简述RDD 和DataFrame的联系与区别？

　　RDD是分布式的 Java对象的集合，比如，RDD[Person]是以Person为类型参数，但是，Person类的内部结构对于RDD而言却是不可知的。

　　DataFrame是一种以RDD为基础的分布式数据集，也就是分布式的Row对象的集合（每个Row对象代表一行记录），提供了详细的结构信息，也就是模式（schema）。

 

3.DataFrame的创建

spark.read.text(url)

spark.read.json(url) 

spark.read.format("text").load("people.txt")

spark.read.format("json").load("people.json")

描述从不同文件类型生成DataFrame的区别。

　　txt生成的无结构

　　json生成的有结构

用相同的txt或json文件，同时创建RDD，比较RDD与DataFrame的区别。

 

 

 　　RDD直接输出对象集合

　　 DataFrame输出ROW对象集合

 

 4. PySpark-DataFrame各种常用操作

　　4.1基于df的操作：

　　打印数据 df.show()默认打印前20条数据

　　

　　打印概要 df.printSchema()

　　

　　查询总行数 df.count()

　　

　　df.head(3) #list类型，list中每个元素是Row类

　

　　输出全部行 df.collect() #list类型，list中每个元素是Row类

　

　　查询概况 df.describe().show()

　　

　　取列 df[‘name’], df.name, df[1]

　　

　　选择 df.select() 每个人的年龄+1

　　

　　筛选 df.filter() 20岁以上的人员信息

　　

　　筛选年龄为空的人员信息

　　

　　分组df.groupBy() 统计每个年龄的人数

　　

　　排序df.sortBy() 按年龄进行排序

　　

　　4.2 基于spark.sql的操作：

　　创建临时表虚拟表 df.registerTempTable('people')

　　spark.sql执行SQL语句 spark.sql('select name from people').show()

　　

 

　　5. Pyspark中DataFrame与pandas中DataFrame

　　分别从文件创建DataFrame 

　　

　　pandas中DataFrame转换为Pyspark中DataFrame

　　

　　

　　Pyspark中DataFrame转换为pandas中DataFrame 

　　

　　从创建与操作上，比较两者的异同

　　pandas创建的有索引，而DataFrame的没有