pyspark之RDD与dataframe

rdd

RDD是一个抽象的分布式数据集，拥有丰富的操作函数，包括基本的map()、flatmap()，filter()函数，集合类函数如union()函数，intersection()函数，subtract()函数，和行动类函数，如collect(),count(),take(),top(),ruduce(),foreach()。
换句话说，RDD是非常灵活数据集合，其中可以储存类型相同或者不同的数据，同时也可以指定定制化函数进行数据处理。
RDD主要有两种形式，一个是RDD，一个是pairRDD（以key，value形式进行储存的数据结构）

pairRDD

Pair RDD由于有key的存在，与普通的RDD相比更加格式化，这种特性就会给Pair RDD赋予一些特殊的操作，例如groupByKey()可以将具有相同key进行分组，其结果仍然得到Pair RDD，然后利用mapValues()对相同key的value进行函数计算；reduceByKey()、countByKey()和sortByKey()等一系列“ByKey()”操作同理。
另外，两个Pair RDD具有像SQL一样的连接操作，例如两个Pair RDD进行join()后，具有相同key的元素的value会被放在一个元组里，key不相同的元素会被舍弃。leftOuterJoin()、rightOuterJoin()、fullOuterJoin()等操作同理。
Pair RDD已经被一定程度的格式化了，它的每个元素会具有key，但是value仍然具有很大的灵活性。DataFrame是一种完全格式化的数据集合，和数据库中的表的概念比较接近，它每列数据必须具有相同的数据类型。也正是由于DataFrame知道数据集合所有的类型信息，DataFrame可以进行列处理优化而获得比RDD更优的性能。

Dataframe

在内部实现上，DataFrame是由Row对象为元素组成的集合，每个Row对象存储DataFrame的一行，Row对象中记录每个域=>值的映射，因而Row可以被看做是一个结构体类型。可以通过创建多个tuple/list、dict、Row然后构建DataFrame。
注：用dict构建DataFrame已经废弃了，推荐用Row。
虽然DataFrame被完全格式化了，但是其中每列可以存储的类型仍然是非常丰富的，包括基本的数据类型、list、tuple、dict和Row，这也就意味着所有的复杂数据类型都可以相互嵌套，从而解除了完全格式化的限制。

RDD和DataFrame的区别

• RDD：没有列名称，只能使用数字来索引；具有map()、reduce()等方法并可指定任意函数进行计算;
• DataFrame：一定有列名称（即使是默认生成的），可以通过.col_name或者[‘col_name’]来索引列；具有表的相关操作（例如select()、filter()、where()、join），但是没有map()、reduce()等方法。

什么样的RDD可以转换为DataFrame？
RDD灵活性很大，并不是所有RDD都能转换为DataFrame，而那些每个元素具有一定相似格式的时候才可以。

为什么RDD需要转换为DataFrame？
当RDD进行类似表的相应操作时，都需要指定相应的函数，转换为DataFrame书写更简单，并且执行效率高。