DataFrame API入门操作及代码展示

DataFrame风格编程

• DataFrame支持两种风格进行编程
  • DSL风格
  • SQL风格
• DSL称之为领域特定语言，其实就是指DataFrame特有的API，DSL风格意思就是以调用API的方式来处理Data。
• SQL风格就是使用SQL语句处理DataFrame的数据。

DSL风格编程代码示例

相关API

• show()方法

  • 功能：展示DataFrame中的数据。
  • 语法：df.show(参数1, 参数2)
    • 参数1: 默认是20, 控制展示多少条。
    • 参数2: 是否阶段列, 默认只输出20个字符的长度, 过长不显示, 显示请用truncate = True。

• printSchema()方法

  • 功能：打印输出df的schema信息。
  • 语法：df.printSchema()

• select()方法

  • 功能：选择DataFrame中的指定列（通过传入参数进行指定）。
  • 语法：df.select()
    • 参数传递1：可变参数的cols对象，cols对象可以是Column对象来指定列或者字符串列名来指定列。
    • 参数传递2：List[Column]对象或者List[str]对象， 用来选择多个列。

• filter()与where()方法

  • 功能：过滤DataFrame内的数据，返回一个过滤后的DataFrame，两者方法是等价的。
  • 语法：df.filter()、df.where()

• groupBy()方法

  • 功能：按照指定的列进行数据的分组， 返回值是GroupedData对象。
  • 语法：df.groupBy()

• agg()方法

  • 功能：GroupData的一种方法，作用就是在里面可以写多个聚合。
  • 语法：

df.groupBy().agg(
	聚合方法1，
	聚合方法2
)

相关代码示例

# coding : utf8
from pyspark.sql import SparkSession

if __name__ == '__main__':
    ss = SparkSession.builder \
        .appName("test") \
        .master("local[*]") \
        .getOrCreate()
    sc = ss.sparkContext

    df = ss.read.format("csv") \
        .option("sep", ",") \
        .schema("id INT, subject STRING, score INT") \
        .load("../Data/input/stu_score.txt")

    # DSL风格展示
    # Column对象获取
    id_col = df["id"]
    subject_col = df["subject"]
    score_col = df["score"]

    # list形式
    df.select(["id", "subject"]).limit(10).show()
    # 可变参数形式
    df.select("id", "score").limit(10).show()
    # Column对象形式
    df.select(id_col, subject_col).limit(10).show()

    # filter API
    df.filter("score < 99").show()
    df.filter(df["score"] < 99).show()

    # where API
    df.where("score < 99").show()
    df.where(df["score"] < 99).show()

    # groupby API
    df.groupBy("subject").count().show()
    df.groupBy(subject_col).count().show()

    # groupby返回值是GroupedData,不是DataFrame，是一个有分组的数据集合，后面只能是聚合函数
    print(type(df.groupBy(df["subject"])))

SQL风格编程代码示例

相关API

• DataFrame的一个强大之处就是我们可以将它看作是一个关系型数据表，然后可以通过在程序中使用spark.sql() 来执行SQL语句查询，结果返回一个DataFrame。如果想使用SQL风格的语法，需要将DataFrame注册成表。

• df.createTempView()：注册临时的视图表。

• df.createOrReplaceTempView()：注册或者替换临时的视图表。

• df.createGlobalTempView()：注册全局临时的视图表。

• 全局表与临时表

  • 全局表：跨SparkSession对象使用，在一个程序的多个SparkSession中均可调用，查询时需要添加前缀：global_temp。
  • 临时表：只在当前的SparkSession中可用。

• 使用SQL查询我们需要调用SparkSession.sql(“SQL语句”)执行查询，返回值是一个新的DataFrame。

相关代码

# coding : utf8
from pyspark.sql import SparkSession

if __name__ == '__main__':
    ss = SparkSession.builder \
        .appName("test") \
        .master("local[*]") \
        .getOrCreate()
    sc = ss.sparkContext

    df = ss.read.format("csv") \
        .option("sep", ",") \
        .schema("id INT, subject STRING, score INT") \
        .load("../Data/input/stu_score.txt")

    # 注册成临时表
    df.createTempView("score1")
    df.createOrReplaceTempView("score2") # 创建或替换临时视图表
    df.createGlobalTempView("score3")  # 创建全局临时视图表

    ss.sql("SELECT subject, AVG(score) AS  avg_score FROM score1 GROUP BY subject").show()
    ss.sql("SELECT subject, COUNT(*) AS  cnt FROM score2 GROUP BY subject").show()
    ss.sql("SELECT subject, MAX(score) AS max_score , MIN(score) AS  min_score FROM global_temp.score3 GROUP BY subject").show()

Fucntions包

• PySpark提供了一个函数包：pyspark.sql.functions，这个包里提供了一些列的计算函数供SparkSQL使用最常见的有我们所熟悉的split和explode方法。
• 导入这个包我们可以通过以下代码来实现：

  from pyspark.sql import functions as F

• 这些功能函数的返回值多数都是column对象。

基于SparkSQL的WordCount代码编写

# coding : utf8
from pyspark.sql import SparkSession
from pyspark.sql import functions as F

if __name__ == '__main__':
    ss = SparkSession.builder \
        .appName("test") \
        .master("local[*]") \
        .getOrCreate()
    sc = ss.sparkContext

    # TODO: 1 SQL风格处理
    rdd = sc.textFile("hdfs://node1:8020/Test/WordCount.txt") \
        .flatMap(lambda line: line.split(" ")) \
        .map(lambda x: [x])

    df1 = rdd.toDF(["words"])
    df1.createOrReplaceTempView("words")

    ss.sql("SELECT words, COUNT(*) AS cnt FROM words GROUP  BY words ORDER  BY cnt DESC").show()


    # TODO: 2 DSL风格处理
    df2 = ss.read.format("text") \
        .load("hdfs://node1:8020/Test/WordCount.txt")

    # withColumn方法
    # 方法功能: 对已存在的列进行操作, 返回一个新的列, 如果名字和老列相同, 那么替换, 否则作为新列存在
    df3 = df2.withColumn("value", F.explode(F.split(df2["value"], " ")))
    df3.groupBy("value").count() \
        .withColumnRenamed("value", "words") \
        .withColumnRenamed("count", "cnt") \
        .orderBy("cnt", ascending=False).show()

• 结果展示：