笔者最近需要使用pyspark进行数据整理，于是乎给自己整理一份使用指南。pyspark.dataframe跟pandas的差别还是挺大的。
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)
1
2
以树的形式打印概要
df.printSchema()
1
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), … …]
1
2
查询总行数：
int_num = df.count()
1
2
查询某列为null的行：
from pyspark.sql.functions import isnull
df = df.filter(isnull(“col_a”))
1
2
输出list类型，list中每个元素是Row类：
list = df.collect()
1
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()
1
以及查询类型，之前是type，现在是df.printSchema()
root
|– user_pin: string (nullable = true)
|– a: string (nullable = true)
|– b: string (nullable = true)
|– c: string (nullable = true)
|– d: string (nullable = true)
|– e: string (nullable = true)
…
1
2
3
4
5
6
7
8
如上图所示，只是打印出来。
去重set操作
data.select(‘columns’).distinct().show()
1
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
随机抽样
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”
1
pyspark之中
sample = result.sample(False,0.5,0) # randomly select 50% of lines
1
— 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’]
1
2
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
1
2
3
4
5
6
重载的select方法：
jdbcDF.select(jdbcDF( “id” ), jdbcDF( “id”) + 1 ).show( false)
1
会同时显示id列 + id + 1列
还可以用where按条件选择
jdbcDF .where(“id = 1 or c1 = ‘b'” ).show()
1
— 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
2
3
4
5
6
7
8
9
10
11
12
按指定字段排序。加个-表示降序排序
— 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)
1
2
3
4
5
withReplacement = True or False代表是否有放回。
fraction = x, where x = .5，代表抽取百分比
2、——– 增、改 ——–
— 2.1 新建数据 —
有这么两种常规的新建数据方式：createDataFrame、.toDF()
sqlContext.createDataFrame(pd.dataframe())
1
是把pandas的dataframe转化为spark.dataframe格式，所以可以作为两者的格式转化
from pyspark.sql import Row
row = Row(“spe_id”, “InOther”)
x = [‘x1′,’x2’]
y = [‘y1′,’y2’]
new_df = sc.parallelize([row(x[i], y[i]) for i in range(2)]).toDF()
1
2
3
4
5
Row代表的是该数据集的列名。
— 2.2 新增数据列 withColumn—
withColumn是通过添加或替换与现有列有相同的名字的列，返回一个新的DataFrame
result3.withColumn(‘label’, 0)
1
或者案例
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
1
2
3
4
5
6
7
8
9
10
11
12
**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))
1
2
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|
+—+—+—–+—+—+—–+
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
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 )
1
修改原有df[“xx”]列的所有值：
df = df.withColumn(“xx”, 1)
1
修改列的类型（类型投射）：
df = df.withColumn(“year2”, df[“year1”].cast(“Int”))
1
修改列名
jdbcDF.withColumnRenamed( “id” , “idx” )
1
— 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)
1
2
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）
1
2
3
3、——– 合并 join / union ——–
3.1 横向拼接rbind
result3 = result1.union(result2)
jdbcDF.unionALL(jdbcDF.limit(1)) # unionALL
1
2
— 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”)
1
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”)）
1
混合字段
joinDF1.join(joinDF2 , joinDF1(“id” ) === joinDF2( “t1_id”))
1
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”)
1
2
3
4
5
6
7
8
9
10
11
12
# 差集
newDF = sentenceDataFrame1.select(“sentence”).subtract(sentenceDataFrame.select(“sentence”))
newDF.show()
+——–+
|sentence|
+——–+
| f8934y|
+——–+
1
2
3
4
5
6
7
8
9
# 交集
newDF = sentenceDataFrame1.select(“sentence”).intersect(sentenceDataFrame.select(“sentence”))
newDF.show()
+——–+
|sentence|
+——–+
| asf|
| 2143|
+——–+
1
2
3
4
5
6
7
8
9
10
# 并集
newDF = sentenceDataFrame1.select(“sentence”).union(sentenceDataFrame.select(“sentence”))
newDF.show()
+——–+
|sentence|
+——–+
| asf|
| 2143|
| f8934y|
| asf|
| 2143|
| rfds|
+——–+
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
# 并集 + 去重
newDF = sentenceDataFrame1.select(“sentence”).union(sentenceDataFrame.select(“sentence”)).distinct()
newDF.show()
+——–+
|sentence|
+——–+
| rfds|
| asf|
| 2143|
| f8934y|
+——–+
1
2
3
4
5
6
7
8
9
10
11
12
— 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( ” ” )}
1
4 ——– 统计 ——–
— 4.1 频数统计与筛选 —-
jdbcDF.stat.freqItems(Seq (“c1”) , 0.3).show()
1
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|
+———-+—–+——+
1
2
3
4
5
6
7
8
9
10
11
12
13
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|
+—–+—————–+
1
2
3
4
5
6
7
8
9
10
11
12
13
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|
+—–+——+
1
2
3
4
5
6
7
8
9
10
11
12
13
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()
1
2
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
1
2
3
4
5
6
7
— 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)
1
将df的每一块应用函数f：
df.foreachPartition(f) 或者 df.rdd.foreachPartition(f)
1
—- 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)]
1
2
3
4
5
6
7
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)]
1
2
3
4
5
6
7
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()
1
2
3
4
5
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))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
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()
1
2
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
1
2
3
ex:
train.dropna().count()
Output:
166821
1
2
3
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
1
2
3
4
5
6
7
8
9
——– 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()
1
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|
+—–+——+
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
——– 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)
1
2
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()
1
2
——– 8、SQL操作 ——–
DataFrame注册成SQL的表：
df.createOrReplaceTempView(“TBL1”)
1
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″)
1
2
3
4
——– 9、读写csv ——–
在Python中，我们也可以使用SQLContext类中 load/save函数来读取和保存CSV文件：
from pyspark.sql import SQLContext
sqlContext = SQLContext(sc)
df = sqlContext.load(source=”com.databricks.spark.csv”, header=”true”, path = “cars.csv”)
df.select(“year”, “model”).save(“newcars.csv”, “com.databricks.spark.csv”,header=”true”)
1
2
3
4
其中，header代表是否显示表头。
其中主函数：
save(path=None, format=None, mode=None, partitionBy=None, **options)[source]
1
Parameters:
– path – the path in a Hadoop supported file system
– format – the format used to save
– mode –
– specifies the behavior of the save operation when data already
exists.
– append: Append contents of this DataFrame to existing data.
– overwrite: Overwrite existing data.
– ignore: Silently ignore this operation if data already exists.
– error (default case): Throw an exception if data already exists.
1
2
3
4
5
6
7
– partitionBy – names of partitioning columns
– options – all other string options
延伸一：去除两个表重复的内容
场景是要，依据B表与A表共有的内容，需要去除这部分共有的。
使用的逻辑是merge两张表，然后把匹配到的删除即可。
from pyspark.sql import functions
def LeftDeleteRight(test_left,test_right,left_col = ‘user_pin’,right_col = ‘user_pin’):
print(‘right data process …’)
columns_right = test_right.columns
test_right = test_right.withColumn(‘user_pin_right’, test_right[right_col])
test_right = test_right.withColumn(‘notDelete’, functions.lit(0))
# 删除其余的
for col in columns_right:
test_right = test_right.drop(col)
# 合并
print(‘rbind left and right data …’)
test_left = test_left.join(test_right, test_left[left_col] == test_right[‘user_pin_right’], “left”)
test_left = test_left.fillna(1)
test_left = test_left.where(‘notDelete =1’)
# 去掉多余的字段
for col in [‘user_pin_right’,’notDelete’]:
test_left = test_left.drop(col)
return test_left
%time test_left = LeftDeleteRight(test_b,test_a,left_col = ‘user_pin’,right_col = ‘user_pin’)
———————
作者：悟乙己
来源：CSDN
原文：https://blog.csdn.net/sinat_26917383/article/details/80500349
版权声明：本文为博主原创文章，转载请附上博文链接！
