大数据管理技术 Spark SQL DataFrame常见操作

参考链接：
Spark-SQL之DataFrame操作大全
https://www.cnblogs.com/honey01/p/8065232.html

Spark SQL中的DataFrame类似于一张关系型数据表。在关系型数据库中对单表或进行的查询操作，在DataFrame中都可以通过调用其API接口来实现。可以参考，Scala提供的DataFrame API。

#show方法

（1）show 只显示前20条记录。
jdbcDF.show

（2）show(numRows: Int) 显示numRows条
jdbcDF.show(3)

（3）show(truncate: Boolean) 是否最多只显示20个字符，默认为true。 
jdbcDF.show(true)
jdbcDF.show(false)

（4）show(numRows: Int, truncate: Boolean) 综合前面的显示记录条数，以及对过长字符串的显示格式。 
jdbcDF.show(3, false)

collect方法会将jdbcDF中的所有数据都获取到，并返回一个Array对象。

#collect方法
jdbcDF.collect()

结果数组包含了jdbcDF的每一条记录，每一条记录由一个GenericRowWithSchema对象来表示，可以存储字段名及字段值。

功能和collect类似，只不过将返回结构变成了List对象。

#collectAsList方法
jdbcDF.collectAsList()

这个方法可以动态的传入一个或多个String类型的字段名，结果仍然为DataFrame对象，用于统计数值类型字段的统计值，比如count, mean, stddev, min, max等。

#describe方法
jdbcDF.describe("c1","c2","c4").show() #使用方法如下，其中c1字段为字符类型，c2字段为整型，c4字段为浮点型

这里列出的四个方法比较类似，其中
（1）first获取第一行记录
（2）head获取第一行记录，head(n: Int)获取前n行记录
（3）take(n: Int)获取前n行数据
（4）takeAsList(n: Int)获取前n行数据，并以List的形式展现

以Row或者Array[Row]的形式返回一行或多行数据。first和head功能相同。

take和takeAsList方法会将获得到的数据返回到Driver端，所以，使用这两个方法时需要注意数据量，以免Driver发生OutOfMemoryError。

返回为DataFrame类型的方法，可以连续调用。

两种方式：where、filter。

（1）where(conditionExpr: String)：SQL语言中where关键字后的条件
#传入筛选条件表达式，可以用and和or。
jdbcDF.where("id = 1 or c1 = 'b'").show()

（2）filter：根据字段进行筛选 
#传入筛选条件表达式，得到DataFrame类型的返回结果。和where使用条件相同
jdbcDF.filter("id = 1 or c1 = 'b'").show()

五种方式：select、selectExpr、col、apply、drop。

（1）select：获取指定字段值 
#根据传入的String类型字段名，获取指定字段的值，以DataFrame类型返回 
jdbcDF.select("id","c3").show(false)
#还有一个重载的select方法，不是传入String类型参数，而是传入Column类型参数。可以实现select id, id+1 from test这种逻辑。
jdbcDF.select(jdbcDF("id"),jdbcDF("id")+1).show(false)

（2）selectExpr：可以对指定字段进行特殊处理 
#可以直接对指定字段调用UDF函数，或者指定别名等。传入String类型参数，得到DataFrame对象。 
jdbcDF.selectExpr("id","c3 as time","round(c4)").show(false) #查询id字段，c3字段取别名time，c4字段四舍五入

（3）col：获取指定字段 
#只能获取一个字段，返回对象为Column类型。 
val idCol = jdbcDF.col(“id”)

（4）apply：获取指定字段 
#只能获取一个字段，返回对象为Column类型 
val idCol1 = jdbcDF.apply("id")
val idCol2 = jdbcDF("id")

（5）drop：去除指定字段，保留其他字段 
#返回一个新的DataFrame对象，其中不包含去除的字段，一次只能去除一个字段。 
jdbcDF.drop("id")
jdbcDF.drop(jdbcDF("id"))

limit方法获取指定DataFrame的前n行记录，得到一个新的DataFrame对象。和take与head不同的是，limit方法不是Action操作。

#limit方法
jdbcDF.limit(3).show( false)

两种方式：orderBy和sort、sortWithinPartitions。

（1）orderBy和sort：按指定字段排序，默认为升序
#sort和orderBy使用方法相同
#按指定字段排序
#加个-表示降序排序。
jdbcDF.orderBy(- jdbcDF("c4")).show(false)
jdbcDF.orderBy(jdbcDF("c4").desc).show(false)
#按字段字符串升序排序
jdbcDF.orderBy("c4").show(false)

（2）sortWithinPartitions
#和上面的sort方法功能类似，区别在于sortWithinPartitions方法返回的是按Partition排好序的DataFrame对象。

三种方式：groupBy、cube和rollup、GroupedData下的方法。

（1）groupBy：根据字段进行group by操作 
#groupBy方法有两种调用方式，可以传入String类型的字段名，也可传入Column类型的对象。 
jdbcDF .groupBy("c1" )
jdbcDF.groupBy( jdbcDF( "c1"))

（2）cube和rollup：group by的扩展 
#功能类似于SQL中的group by cube/rollup。

（3）GroupedData对象 
#该方法得到的是GroupedData类型对象，在GroupedData的API中提供了group by之后的操作
#例子
max(colNames: String*)方法 #获取分组中指定字段或者所有的数字类型字段的最大值，只能作用于数字型字段
min(colNames: String*)方法 #获取分组中指定字段或者所有的数字类型字段的最小值，只能作用于数字型字段
mean(colNames: String*)方法 #获取分组中指定字段或者所有的数字类型字段的平均值，只能作用于数字型字段
sum(colNames: String*)方法 #获取分组中指定字段或者所有的数字类型字段的和值，只能作用于数字型字段
count()方法 #获取分组中的元素个数

agg，可以用于对指定字段进行聚合操作。
pivot，可以用于对指定字段进行聚合操作。

两种方式：distinct、dropDuplicates。

（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。
jdbcDF.distinct()

（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
jdbcDF.dropDuplicates(Seq("c1"))

#agg方法
#聚合操作调用的是agg方法，该方法有多种调用方式。一般与groupBy方法配合使用。
jdbcDF.agg("id"->"max","c4"->"sum") #对id字段求最大值，对c4字段求和
#等价于jdbcDF.agg(max("id"),sum("c4"))

#unionAll方法：对两个DataFrame进行组合
#类似于SQL中的UNION ALL操作。
jdbcDF.unionALL(jdbcDF.limit(1))

在SQL语言中用得很多的就是join操作，DataFrame中同样也提供了join的功能。

在DataFrame中提供了六个重载的join方法：笛卡尔积、using一个字段形式、using多个字段形式、指定join类型、使用Column类型来join、在指定join字段同时指定join类型。

（1）笛卡尔积
joinDF1.join(joinDF2)

（2）using一个字段形式
#下面这种join类似于a join b using column1的形式，需要两个DataFrame中有相同的一个列名
joinDF1.join(joinDF2, "id")
#joinDF1和joinDF2根据字段id进行join操作，结果如下，using字段只显示一次。

（3）using多个字段形式
#除了上面这种using一个字段的情况外，还可以using多个字段
joinDF1.join(joinDF2, Seq("id", "name"))

（4）指定join类型
#两个DataFrame的join操作有inner, outer, left_outer, right_outer, leftsemi类型。
#在上面的using多个字段的join情况下，可以写第三个String类型参数，指定join的类型
joinDF1.join(joinDF2, Seq("id", "name"), "inner")

（5）使用Column类型来join
#如果不用using模式，灵活指定join字段的话，可以使用如下形式
joinDF1.join(joinDF2 , joinDF1("id" ) === joinDF2( "t1_id"))

（6）在指定join字段同时指定join类型
joinDF1.join(joinDF2 , joinDF1("id" ) === joinDF2( "t1_id"), "inner")

stat方法可以用于计算指定字段或指定字段之间的统计信息，比如方差，协方差等。这个方法返回一个DataFramesStatFunctions类型对象。

#stat方法
#根据c4字段，统计该字段值出现频率在30%以上的内容。在jdbcDF中字段c1的内容为"a, b, a, c, d, b"。其中a和b出现的频率为2/6，大于0.3
jdbcDF.stat.freqItems(Seq ("c1") , 0.3).show()

intersect方法可以计算出两个DataFrame中相同的记录

#intersect方法
jdbcDF.intersect(jdbcDF.limit(1)).show(false)

#wxcept方法
jdbcDF.except(jdbcDF.limit(1)).show(false)

（1）withColumnRenamed：重命名DataFrame中的指定字段名
#如果指定的字段名不存在，不进行任何操作。
jdbcDF.withColumnRenamed( "id" , "idx" ) #将jdbcDF中的id字段重命名为idx

（2）withColumn：往当前DataFrame中新增一列
#whtiColumn(colName: String , col: Column)方法根据指定colName往DataFrame中新增一列，如果colName已存在，则会覆盖当前列。
jdbcDF.withColumn("id2", jdbcDF("id")).show(false) #往jdbcDF中新增一个名为id2的列

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

API中还有的方法：
na
randomSplit
repartition
alias
as