PySpark｜比RDD更快的DataFrame

DataFrame介绍

DataFrame是一种不可变的分布式数据集，这种数据集被组织成指定的列，类似于关系数据库中的表。如果你了解过pandas中的DataFrame，千万不要把二者混为一谈，二者从工作方式到内存缓存都是不同的。

DataFrame的作用

对于Spark来说，引入DataFrame之前，Python的查询速度普遍比使用RDD的Scala查询慢（Scala要慢两倍），通常情况下这种速度的差异来源于Python和JVM之间的通信开销。具体的时间差异如下图所示：

由上图可以看到，使用了DataFrame(DF)之后，Python的性能得到了很大的改进，对于SQL、R、Scala等语言的性能也会有很大的提升。

创建DataFrame

上一篇中我们了解了如何创建RDD，在创建DataFrame的时候，我们可以直接基于RDD进行转换。示例操作如下

• spark.read.json()

生成RDD：

stringJSONRDD = sc.parallelize((""" 
  { "id": "123",
    "name": "Katie",
    "age": 19,
    "eyeColor": "brown"
  }""",
   """{
    "id": "234",
    "name": "Michael",
    "age": 22,
    "eyeColor": "green"
  }""", 
  """{
    "id": "345",
    "name": "Simone",
    "age": 23,
    "eyeColor": "blue"
  }""")
)

转换成DataFrame：

swimmersJSON = spark.read.json(stringJSONRDD)

• createOrReplaceTempView()

我们可以使用该函数进行临时表的创建。

swimmersJSON.createOrReplaceTempView("swimmersJSON")

DataFrame查询

​我们可以使用DataFrame的API或者使用DataFrame的SQL查询。

• show()

使用show(n)方法，可以把前n行打印到控制台上（默认显示前十行）。

swimmersJSON.show()

• collect

使用collect可以返回行对象列表的所有记录。

swimmersJSON.collect()

• SQL查询

我们可以通过写SQL语句的形式对表格进行查询。

spark.sql("select * from swimmersJSON").collect()

DF和RDD的交互操作

• printSchema()

该方法可以用来打印出每个列的数据类型，我们称之为打印模式。

swimmersJSON.printSchema()

• StructType()

该方法可以用于编程指定的模式。

schema = StructType([
    StructField("id", LongType(), True),    
    StructField("name", StringType(), True),
    StructField("age", LongType(), True),
    StructField("eyeColor", StringType(), True)
])

 

• createDataFrame(XXRDD, schema)

该方法用于应用指定的schema模式并创建RDD。

swimmers = spark.createDataFrame(stringCSVRDD, schema)

利用DataFrame API进行查询

• ​count()

用于得到DataFrame的行数。

swimmers.count()

• 运行筛选语句

我们可以使用filter子句运行筛选语句，用select子句来指定要返回的列。

方法1：

swimmers.select("id", "age").filter("age = 22").show()

方法2：

swimmers.select("name", "eyeColor").filter("eyeColor like 'b%'").show()

总结