Spark SQL
一、概述spark sql 是用于操作结构化数据的程序包通过spark sql ,可以使用SQL 或者 HQL 来查询数据,查询结果以Dataset/DataFrame 的形式返回
它支持多种数据源,如Hive 表、Parquet 以及 JSON 等
它支持开发者将SQL 和传统的RDD 变成相结合
Dataset:是一个分布式的数据集合它是Spark 1.6 中被添加的新接口
它提供了RDD的优点与Spark SQL 执行引擎的优点
它在Scala 和Java 中是可用的。Python 不支持Dataset API。但是由于Python 的动态特性,许多DataSet API 的优点已经可用
DataFrame:是一个Dataset 组成的指定列。它的概念等价于一个关系型数据库中的表
在Scala/Python 中,DataFrame 由DataSet 中的 RowS (多个Row) 来表示。
在spark 2.0 之后,SQLContext 被 SparkSession 取代。
二、SparkSessionspark sql 中所有功能的入口点是SparkSession 类。它可以用于创建DataFrame、注册DataFrame为table、在table 上执行SQL、缓存table、读写文件等等。
要创建一个SparkSession,仅仅使用SparkSession.builder 即可:from pyspark.sql import SparkSessionspark_session = SparkSession \.builder \.appName("Python Spark SQL basic example") \.config("spark.some.config.option", "some-value") \.getOrCreate()
Builder 用于创建SparkSession,它的方法有(这些方法都返回self ):.appName(name):给程序设定一个名字,用于在Spark web UI 中展示。如果未指定,则spark 会随机生成一个。name:一个字符串,表示程序的名字
.config(key=None,value=None,conf=None):配置程序。这里设定的配置会直接传递给SparkConf 和 SparkSession各自的配置。key:一个字符串,表示配置名
value:对应配置的值
conf:一个SparkConf 实例
有两种设置方式:通过键值对设置:xxxxxxxxxx
SparkSession.builder.config("spark.some.config.option", "some-value")
通过已有的SparkConf 设置:xxxxxxxxxx
SparkSession.builder.config(conf=SparkConf())
.enableHiveSupport():开启Hive 支持。(spark 2.0 的新接口)
.master(master):设置spark master URL。如:master=local:表示单机本地运行
master=local[4]:表示单机本地4核运行
master=spark://master:7077:表示在一个spark standalone cluster 上运行
.getOrCreate():返回一个已有的SparkSession 实例;如果没有则基于当前builder 的配置,创建一个新的SparkSession 实例该方法首先检测是否有一个有效的全局默认SparkSession 实例。如果有,则返回它;如果没有,则创建一个作为全局默认SparkSession实例,并返回它
如果已有一个有效的全局默认SparkSession 实例,则当前builder的配置将应用到该实例上
2.1 属性.builder = :一个Builder实例
.catalog:一个接口。用户通过它来create、drop、alter、query底层的数据库、table 以及 function 等可以通过SparkSession.catalog.cacheTable('tableName'), 来缓存表;通过SparkSession.catalog.uncacheTable('tableName') 来从缓存中删除该表。
.conf:spark 的运行时配置接口。通过它,你可以获取、设置spark、hadoop 的配置。
.read:返回一个DataFrameReader,用于从外部存储系统中读取数据并返回DataFrame
.readStream:返回一个DataStreamReader,用于将输入数据流视作一个DataFrame 来读取
.sparkContext:返回底层的SparkContext
.streams:返回一个StreamingQueryManager对象,它管理当前上下文的所有活动的StreamingQuery
.udf:返回一个UDFRegistration,用于UDF 注册
.version:返回当前应用的spark 版本
2.2 方法.createDataFrame(data, schema=None, samplingRatio=None, verifySchema=True):从RDD 、一个列表、或者pandas.DataFrame 中创建一个DataFrame参数:data:输入数据。可以为一个RDD、一个列表、或者一个pandas.DataFrame
schema:给出了DataFrame 的结构化信息。可以为:一个字符串的列表:给出了列名信息。此时每一列数据的类型从data 中推断
为None:此时要求data 是一个RDD,且元素类型为Row、namedtuple、dict 之一。此时结构化信息从data 中推断(推断列名、列类型)
为pyspqrk.sql.types.StructType:此时直接指定了每一列数据的类型。
为pyspark.sql.types.DataType 或者datatype string:此时直接指定了一列数据的类型,会自动封装成pyspqrk.sql.types.StructType(只有一列)。此时要求指定的类型与data 匹配(否则抛出异常)
samplingRatio:如果需要推断数据类型,则它指定了需要多少比例的行记录来执行推断。如果为None,则只使用第一行来推断。
verifySchema:如果为True,则根据schema 检验每一行数据
返回值:一个DataFrame实例
.newSession():返回一个新的SparkSession实例,它拥有独立的SQLConf、registered temporary views and UDFs,但是共享同样的SparkContext以及table cache。
.range(start,end=None,step=1,numPartitions=None):创建一个DataFrame,它只有一列。该列的列名为id,类型为pyspark.sql.types.LongType,数值为区间[start,end),间隔为step(即:list(range(start,end,step)) )
.sql(sqlQuery):查询SQL 并以DataFrame 的形式返回查询结果
.stop():停止底层的SparkContext
.table(tableName):以DataFrame的形式返回指定的table
三、DataFrame 创建在一个SparkSession 中,应用程序可以从一个已经存在的RDD、HIVE表、或者spark数据源中创建一个DataFrame
3.1 从列表创建未指定列名:xxxxxxxxxx
l = [('Alice', 1)]spark_session.createDataFrame(l).collect()
结果为:xxxxxxxxxx
[Row(_1=u'Alice', _2=1)] #自动分配列名
指定列名:xxxxxxxxxx
l = [('Alice', 1)]spark_session.createDataFrame(l, ['name', 'age']).collect()
结果为:xxxxxxxxxx
[Row(name=u'Alice', age=1)]
通过字典指定列名:xxxxxxxxxx
d = [{'name': 'Alice', 'age': 1}]spark_session.createDataFrame(d).collect()
结果为:xxxxxxxxxx
[Row(age=1, name=u'Alice')]
3.2 从 RDD 创建未指定列名:xxxxxxxxxx
rdd = sc.parallelize([('Alice', 1)])spark_session.createDataFrame(rdd).collect()
结果为:xxxxxxxxxx
[Row(_1=u'Alice', _2=1)] #自动分配列名
指定列名:xxxxxxxxxx
rdd = sc.parallelize([('Alice', 1)])spark_session.createDataFrame(rdd, ['name', 'age']).collect()
结果为:xxxxxxxxxx
[Row(name=u'Alice', age=1)]
通过Row 来创建:xxxxxxxxxx
from pyspark.sql import RowPerson = Row('name', 'age')rdd = sc.parallelize([('Alice', 1)]).map(lambda r: Person(*r))spark_session.createDataFrame(rdd, ['name', 'age']).collect()
结果为:xxxxxxxxxx
[Row(name=u'Alice', age=1)]
指定schema:xxxxxxxxxx
from pyspark.sql.types import *schema = StructType([StructField("name", StringType(), True),StructField("age", IntegerType(), True)])rdd = sc.parallelize([('Alice', 1)])spark_session.createDataFrame(rdd, schema).collect()
结果为:xxxxxxxxxx
[Row(name=u'Alice', age=1)]
通过字符串指定schema:xxxxxxxxxx
rdd = sc.parallelize([('Alice', 1)])spark_session.createDataFrame(rdd, "a: string, b: int").collect()
结果为:xxxxxxxxxx
[Row(name=u'Alice', age=1)]如果只有一列,则字符串schema 为:xxxxxxxxxx
rdd = sc.parallelize([1])spark_session.createDataFrame(rdd, "int").collect()
结果为:xxxxxxxxxx
[Row(value=1)]
3.3 从 pandas.DataFrame 创建使用方式:xxxxxxxxxx
df = pd.DataFrame({'a':[1,3,5],'b':[2,4,6]})spark_session.createDataFrame(df).collect()
结果为:xxxxxxxxxx
[Row(a=1, b=2), Row(a=3, b=4), Row(a=5, b=6)]
3.4 从数据源创建从数据源创建的接口是DataFrameReader:xxxxxxxxxx
reader = spark_session.read
另外,也可以不使用API ,直接将文件加载到DataFrame 并进行查询:xxxxxxxxxx
df = spark_session.sql("SELECT * FROM parquet.`examples/src/main/resources/users.parquet`")
3.4.1 通用加载设置数据格式:.format(source)。返回selfxxxxxxxxxx
df = spark_session.read.format('json').load('python/test_support/sql/people.json')
设置数据schema:.schema(schema)。返回self
某些数据源可以从输入数据中推断schema。一旦手动指定了schema,则不再需要推断。
加载:.load(path=None, format=None, schema=None, **options)参数:path:一个字符串,或者字符串的列表。指出了文件的路径
format:指出了文件类型。默认为parquet(除非另有配置spark.sql.sources.default )
schema:输入数据的schema,一个StructType 类型实例。
options:其他的参数
返回值:一个DataFrame 实例
示例:xxxxxxxxxx
spark_session.read.format('json').load(['python/test_support/sql/people.json','python/test_support/sql/people1.json'])
3.4.2 专用加载.csv():加载csv 文件,返回一个DataFrame 实例xxxxxxxxxx
.csv(path, schema=None, sep=None, encoding=None, quote=None, escape=None, comment=None, header=None, inferSchema=None, ignoreLeadingWhiteSpace=None, ignoreTrailingWhiteSpace=None, nullValue=None, nanValue=None, positiveInf=None, negativeInf=None, dateFormat=None, timestampFormat=None, maxColumns=None, maxCharsPerColumn=None, maxMalformedLogPerPartition=None, mode=None, columnNameOfCorruptRecord=None, multiLine=None)
.jdbc():加载数据库中的表xxxxxxxxxx
.jdbc(url, table, column=None, lowerBound=None, upperBound=None, numPartitions=None, predicates=None, properties=None)参数:url:一个JDBC URL,格式为:jdbc:subprotocol:subname
table:表名
column:列名。该列为整数列,用于分区。如果该参数被设置,那么numPartitions、lowerBound、upperBound 将用于分区从而生成where 表达式来拆分该列。
lowerBound:column的最小值,用于决定分区的步长
upperBound:column的最大值(不包含),用于决定分区的步长
numPartitions:分区的数量
predicates:一系列的表达式,用于where中。每一个表达式定义了DataFrame 的一个分区
properties:一个字典,用于定义JDBC 连接参数。通常至少为:{ 'user' : 'SYSTEM', 'password' : 'mypassword'}
返回:一个DataFrame 实例
.json():加载json 文件,返回一个DataFrame 实例xxxxxxxxxx
.json(path, schema=None, primitivesAsString=None, prefersDecimal=None, allowComments=None, allowUnquotedFieldNames=None, allowSingleQuotes=None, allowNumericLeadingZero=None, allowBackslashEscapingAnyCharacter=None, mode=None, columnNameOfCorruptRecord=None, dateFormat=None, timestampFormat=None, multiLine=None)
示例:xxxxxxxxxx
spark_session.read.json('python/test_support/sql/people.json')# 或者rdd = sc.textFile('python/test_support/sql/people.json')spark_session.read.json(rdd)
.orc():加载ORC文件,返回一个DataFrame 实例xxxxxxxxxx
.orc(path)
示例:xxxxxxxxxx
spark_session.read.orc('python/test_support/sql/orc_partitioned')
.parquet():加载Parquet文件,返回一个DataFrame 实例.parquet(*paths)
示例:xxxxxxxxxx
spark_session.read.parquet('python/test_support/sql/parquet_partitioned')
.table(): 从table 中创建一个DataFramexxxxxxxxxx
.table(tableName)
示例:xxxxxxxxxx
df = spark_session.read.parquet('python/test_support/sql/parquet_partitioned')df.createOrReplaceTempView('tmpTable')spark_session.read.table('tmpTable')
.text():从文本中创建一个DataFramexxxxxxxxxx
.text(paths)
它不同于.csv(),这里的DataFrame 只有一列,每行文本都是作为一个字符串。
示例:xxxxxxxxxx
spark_session.read.text('python/test_support/sql/text-test.txt').collect()#结果为:[Row(value=u'hello'), Row(value=u'this')]
3.5 从 Hive 表创建spark SQL 还支持读取和写入存储在Apache Hive 中的数据。但是由于Hive 具有大量依赖关系,因此这些依赖关系不包含在默认spark 版本中。如果在类路径中找到Hive 依赖项,则Spark 将会自动加载它们
这些Hive 的依赖关系也必须存在于所有工作节点上
配置:将hive-site.xml、core-site.html(用于安全配置)、hdfs-site.xml(用户HDFS 配置) 文件放在conf/ 目录中完成配置。
当使用Hive 时,必须使用启用Hive 支持的SparkSession 对象(enableHiveSupport)如果未部署Hive,则开启Hive 支持不会报错
当hive-site.xml 未配置时,上下文会自动在当前目录中创建metastore_db,并创建由spark.sql.warehouse.dir 指定的目录
访问示例:xxxxxxxxxx
from pyspark.sql import SparkSessionspark_sess = SparkSession \.builder \.appName("Python Spark SQL Hive integration example") \.config("spark.sql.warehouse.dir", '/home/xxx/yyy/') \.enableHiveSupport() \.getOrCreate()spark_sess.sql("CREATE TABLE IF NOT EXISTS src (key INT, value STRING) USING hive")spark_sess.sql("LOAD DATA LOCAL INPATH 'examples/src/main/resources/kv1.txt' INTO TABLE src")spark.sql("SELECT * FROM src").show()
创建Hive 表时,需要定义如何向/从文件系统读写数据,即:输入格式、输出格式。还需要定义该表的数据的序列化与反序列化。
可以通过在OPTIONS 选项中指定这些属性:xxxxxxxxxx
spark_sess.sql("CREATE TABLE IF NOT EXISTS src (key INT, value STRING) USING hive OPTIONS(fileFormat 'parquet')")
可用的选项有:fileFormat:文件格式。目前支持6种文件格式:'sequencefile'、'rcfile'、'orc'、'parquet'、'textfile'、'avro'。
inputFormat,outputFormat:这两个选项将相应的InputFormat 和 OutputFormat 类的名称指定为字符串文字,如'org.apache.hadoop.hive.ql.io.orc.OrcInputFormat'这两个选项必须成对出现
如果已经制定了fileFormat,则无法指定它们
serde:该选项指定了serde 类的名称如果给定的fileFormat 已经包含了serde 信息(如何序列化、反序列化的信息),则不要指定该选项
目前的sequencefile、textfile、rcfile 不包含serde 信息,因此可以使用该选项
fieldDelim, escapeDelim, collectionDelim, mapkeyDelim, lineDelim:这些选项只能与textfile 文件格式一起使用,它们定义了如何将分隔的文件读入行。
四、 DataFrame 保存DataFrame 通过DataFrameWriter 实例来保存到各种外部存储系统中。你可以通过DataFrame.write 来访问DataFrameWriter
4.1 通用保存.format(source):设置数据格式返回selfxxxxxxxxxx
df.write.format('json').save('./data.json')
.mode(saveMode):当要保存的目标位置已经有数据时,设置该如何保存。参数: saveMode 可以为:'append':追加写入
'overwrite':覆写已有数据
'ignore':忽略本次保存操作(不保存)
'error':抛出异常(默认行为)
返回self
示例:xxxxxxxxxx
df.write.mode('append').parquet('./data.dat')
.partitionBy(*cols):按照指定的列名来将输出的DataFrame 分区。返回self
示例:xxxxxxxxxx
df.write.partitionBy('year', 'month').parquet('./data.dat')
.save(path=None, format=None, mode=None, partitionBy=None, **options):保存DataFrame
4.2 专用保存.csv():将DataFrame 保存为csv 文件xxxxxxxxxx
.csv(path, mode=None, compression=None, sep=None, quote=None, escape=None, header=None, nullValue=None, escapeQuotes=None, quoteAll=None, dateFormat=None, timestampFormat=None, ignoreLeadingWhiteSpace=None, ignoreTrailingWhiteSpace=None)
示例:xxxxxxxxxx
df.write.csv('./data.csv')
.insertInto():将DataFrame 保存在table 中xxxxxxxxxx
.insertInto(tableName, overwrite=False)
它要求当前的DataFrame 与指定的table 具有同样的schema。其中overwrite 参数指定是否覆盖table 现有的数据。
.jdbc():将DataFrame 保存在数据库中xxxxxxxxxx
.jdbc(url, table, mode=None, properties=None)参数:url:一个JDBC URL,格式为:jdbc:subprotocol:subname
table:表名
mode:指定当数据表中已经有数据时,如何保存。可以为:'append':追加写入
'overwrite':覆写已有数据
'ignore':忽略本次保存操作(不保存)
'error':抛出异常(默认行为)
properties:一个字典,用于定义JDBC 连接参数。通常至少为:{ 'user' : 'SYSTEM', 'password' : 'mypassword'}
.json():将DataFrame 保存为json 文件xxxxxxxxxx
.json(path, mode=None, compression=None, dateFormat=None, timestampFormat=None)
示例:xxxxxxxxxx
df.write.json('./data.json')
.orc():将DataFrame 保存为ORC 文件xxxxxxxxxx
.orc(path, mode=None, partitionBy=None, compression=None)
.pqrquet():将DataFrame 保存为Pqrquet 格式的文件xxxxxxxxxx
.parquet(path, mode=None, partitionBy=None, compression=None)
.saveAsTable():将DataFrame 保存为tablexxxxxxxxxx
.saveAsTable(name, format=None, mode=None, partitionBy=None, **options)
.text():将DataFrame 保存为文本文件xxxxxxxxxx
.text(path, compression=None)
该DataFrame 必须只有一列,切该列必须为字符串。每一行数据将作为文本的一行。
五、DataFrame一个DataFrame 实例代表了基于命名列的分布式数据集。
为了访问DataFrame 的列,有两种方式:通过属性的方式:df.key
通过字典的方式:df[key] 。推荐用这种方法,因为它更直观。它并不支持pandas.DataFrame 中其他的索引,以及各种切片方式
5.1 属性.columns:以列表的形式返回所有的列名
.dtypes:以列表的形式返回所有的列的名字和数据类型。形式为:[(col_name1,col_type1),...]
.isStreaming:如果数据集的数据源包含一个或者多个数据流,则返回True
.na:返回一个DataFrameNaFunctions 对象,用于处理缺失值。
.rdd: 返回DataFrame 底层的RDD(元素类型为Row )
.schema:返回DataFrame 的 schema
.stat:返回DataFrameStatFunctions 对象,用于统计
.storageLevel:返回当前的缓存级别
.write:返回一个DataFrameWriter对象,它是no-streaming DataFrame 的外部存储接口
.writeStream:返回一个DataStreamWriter 对象,它是streaming DataFrame 的外部存储接口
5.2 方法
5.2.1 转换操作聚合操作:.agg(*exprs):在整个DataFrame 开展聚合操作(是df.groupBy.agg() 的快捷方式)
示例:xxxxxxxxxx
df.agg({"age": "max"}).collect() #在 agg 列上聚合# 结果为:[Row(max(age)=5)]# 另一种方式:from pyspark.sql import functions as Fdf.agg(F.max(df.age)).collect()
.filter(condition):对行进行过滤。它是where() 的别名
参数:condition:一个types.BooleanType的Column,或者一个字符串形式的SQL 的表达式
示例:xxxxxxxxxx
df.filter(df.age > 3).collect()df.filter("age > 3").collect()df.where("age = 2").collect()
分组:.cube(*cols):根据当前DataFrame 的指定列,创建一个多维的cube,从而方便我们之后的聚合过程。参数:cols:指定的列名或者Column的列表
返回值:一个GroupedData 对象.groupBy(*cols):通过指定的列来将DataFrame 分组,从而方便我们之后的聚合过程。参数:cols:指定的列名或者Column的列表
返回值:一个GroupedData 对象
它是groupby的别名
.rollup(*cols):创建一个多维的rollup,从而方便我们之后的聚合过程。参数:cols:指定的列名或者Column的列表
返回值:一个GroupedData 对象排序:.orderBy(*cols, **kwargs):返回一个新的DataFrame,它根据旧的DataFrame 指定列排序参数:cols:一个列名或者Column 的列表,指定了排序列
ascending:一个布尔值,或者一个布尔值列表。指定了升序还是降序排序如果是列表,则必须和cols 长度相同
.sort(*cols, **kwargs):返回一个新的DataFrame,它根据旧的DataFrame 指定列排序参数:cols:一个列名或者Column 的列表,指定了排序列
ascending:一个布尔值,或者一个布尔值列表。指定了升序还是降序排序如果是列表,则必须和cols 长度相同
示例:x
from pyspark.sql.functions import *df.sort(df.age.desc())df.sort("age", ascending=False)df.sort(asc("age"))df.orderBy(df.age.desc())df.orderBy("age", ascending=False)df.orderBy(asc("age"))
.sortWithinPartitions(*cols, **kwargs):返回一个新的DataFrame,它根据旧的DataFrame 指定列在每个分区进行排序参数:cols:一个列名或者Column 的列表,指定了排序列
ascending:一个布尔值,或者一个布尔值列表。指定了升序还是降序排序如果是列表,则必须和cols 长度相同
调整分区:.coalesce(numPartitions):返回一个新的DataFrame,拥有指定的numPartitions 分区。只能缩小分区数量,而无法扩张分区数量。如果numPartitions 比当前的分区数量大,则新的DataFrame 的分区数与旧DataFrame 相同
它的效果是:不会混洗数据
参数:numPartitions:目标分区数量
.repartition(numPartitions, *cols):返回一个新的DataFrame,拥有指定的numPartitions 分区。结果DataFrame 是通过hash 来分区
它可以增加分区数量,也可以缩小分区数量
集合操作:.crossJoin(other):返回一个新的DataFrame,它是输入的两个DataFrame 的笛卡儿积可以理解为 [row1,row2],其中 row1 来自于第一个DataFrame,row2 来自于第二个DataFrame参数:other:另一个DataFrame 对象
.intersect(other):返回两个DataFrame 的行的交集参数:other:另一个DataFrame 对象
.join(other,on=None,how=None):返回两个DataFrame的 join参数:other:另一个DataFrame 对象
on:指定了在哪些列上执行对齐。可以为字符串或者Column(指定单个列)、也可以为字符串列表或者Column 列表(指定多个列)
注意:要求两个DataFrame 都存在这些列
how:指定join 的方式,默认为'inner'。可以为: inner、 cross、 outer、
full、 full_outer、 left、 left_outer、 right、right_outer、
left_semi、 left_anti
.subtract(other):返回一个新的DataFrame,它的行由位于self 中、但是不在other 中的Row 组成。参数:other:另一个DataFrame 对象
.union(other): 返回两个DataFrame的行的并集(它并不会去重)它是unionAll 的别名
参数:other:另一个DataFrame 对象
统计:.crosstab(col1, col2):统计两列的成对频率。要求每一列的distinct 值数量少于 个。最多返回 对频率。它是DataFrameStatFunctions.crosstab() 的别名
结果的第一列的列名为,col1_col2,值就是第一列的元素值。后面的列的列名就是第二列元素值,值就是对应的频率。
参数:col1,col2:列名字符串(或者Column)
示例:xxxxxxxxxx
df =pd.DataFrame({'a':[1,3,5],'b':[2,4,6]})s_df = spark_session.createDataFrame(df)s_df.crosstab('a','b').collect()#结果: [Row(a_b='5', 2=0, 4=0, 6=1), Row(a_b='1', 2=1, 4=0, 6=0), Row(a_b='3', 2=0, 4=1, 6=0)]
.describe(*cols):计算指定的数值列、字符串列的统计值。统计结果包括:count、mean、stddev、min、max
该函数仅仅用于探索数据规律
参数:cols:列名或者多个列名字符串(或者Column)。如果未传入任何列名,则计算所有的数值列、字符串列
.freqItems(cols,support=None):寻找指定列中频繁出现的值(可能有误报)它是DataFrameStatFunctions.freqItems() 的别名
参数:cols:字符串的列表或者元组,指定了待考察的列
support:指定所谓的频繁的标准(默认是 1%)。该数值必须大于
移除数据:.distinct():返回一个新的DataFrame,它保留了旧DataFrame 中的distinct 行。即:根据行来去重
.drop(*cols):返回一个新的DataFrame,它剔除了旧DataFrame 中的指定列。参数:cols:列名字符串(或者Column)。如果它在旧DataFrame 中不存在,也不做任何操作(也不报错)
.dropDuplicates(subset=None):返回一个新的DataFrame,它剔除了旧DataFrame 中的重复行。
它与.distinct() 区别在于:它仅仅考虑指定的列来判断是否重复行。参数:subset:列名集合(或者Column的集合)。如果为None,则考虑所有的列。
.drop_duplicates 是 .dropDuplicates 的别名
.dropna(how='any', thresh=None, subset=None):返回一个新的DataFrame,它剔除了旧DataFrame 中的null行。它是DataFrameNaFunctions.drop() 的别名
参数:how:指定如何判断null 行的标准。'all':所有字段都是na,则是空行;'any':任何字段存在na,则是空行。
thresh:一个整数。当一行中,非null 的字段数量小于thresh 时,认为是空行。如果该参数设置,则不考虑how
subset:列名集合,给出了要考察的列。如果为None,则考察所有列。
.limit(num):返回一个新的DataFrame,它只有旧DataFrame 中的num行。
采样、拆分:.randomSplit(weights, seed=None):返回一组新的DataFrame,它是旧DataFrame 的随机拆分参数:weights:一个double的列表。它给出了每个结果DataFrame 的相对大小。如果列表的数值之和不等于 1.0,则它将被归一化为 1.0
seed:随机数种子
示例:xxxxxxxxxx
splits = df.randomSplit([1.0, 2.0], 24)splits[0].count()
.sample(withReplacement, fraction, seed=None):返回一个新的DataFrame,它是旧DataFrame 的采样参数:withReplacement:如果为True,则可以重复采样;否则是无放回采样
fractions:新的DataFrame 的期望大小(占旧DataFrame的比例)。spark 并不保证结果刚好满足这个比例(只是一个期望值)如果withReplacement=True:则表示每个元素期望被选择的次数
如果withReplacement=False:则表示每个元素期望被选择的概率
seed:随机数生成器的种子
.sampleBy(col, fractions, seed=None):返回一个新的DataFrame,它是旧DataFrame 的采样
它执行的是无放回的分层采样。分层由col 列指定。参数:col:列名或者Column,它给出了分层的依据
fractions:一个字典,给出了每个分层抽样的比例。如果某层未指定,则其比例视作 0
示例:xxxxxxxxxx
sampled = df.sampleBy("key", fractions={0: 0.1, 1: 0.2}, seed=0)# df['key'] 这一列作为分层依据,0 抽取 10%, 1 抽取 20%
替换:.replace(to_replace, value=None, subset=None):返回一组新的DataFrame,它是旧DataFrame 的数值替代结果它是DataFrameNaFunctions.replace() 的别名
当替换时,value 将被类型转换到目标列
参数:to_replace:可以为布尔、整数、浮点数、字符串、列表、字典,给出了被替代的值。如果是字典,则给出了每一列要被替代的值
value:一个整数、浮点数、字符串、列表。给出了替代值。
subset:列名的列表。指定要执行替代的列。
.fillna(value, subset=None):返回一个新的DataFrame,它替换了旧DataFrame 中的null值。它是DataFrameNaFunctions.fill()的别名
参数:value:一个整数、浮点数、字符串、或者字典,用于替换null 值。如果是个字典,则忽略subset,字典的键就是列名,指定了该列的null值被替换的值。
subset:列名集合,给出了要被替换的列
选取数据:.select(*cols):执行一个表达式,将其结果返回为一个DataFrame参数:cols:一个列名的列表,或者Column 表达式。如果列名为*,则扩张到所有的列名
示例:xxxxxxxxxx
df.select('*')df.select('name', 'age')df.select(df.name, (df.age + 10).alias('age'))
.selectExpr(*expr):执行一个SQL 表达式,将其结果返回为一个DataFrame参数:expr:一组SQL 的字符串描述
示例:xxxxxxxxxx
df.selectExpr("age * 2", "abs(age)")
.toDF(*cols):选取指定的列组成一个新的DataFrame参数:cols:列名字符串的列表
.toJSON(use_unicode=True):返回一个新的DataFrame,它将旧的DataFrame 转换为RDD(元素为字符串),其中每一行转换为json 字符串。
列操作:.withColumn(colName, col):返回一个新的DataFrame,它将旧的DataFrame 增加一列(或者替换现有的列)参数:colName:一个列名,表示新增的列(如果是已有的列名,则是替换的列)
col:一个Column 表达式,表示新的列
示例:xxxxxxxxxx
df.withColumn('age2', df.age + 2)
.withColumnRenamed(existing, new):返回一个新的DataFrame,它将旧的DataFrame 的列重命名参数:existing:一个字符串,表示现有的列的列名
col:一个字符串,表示新的列名
5.2.2 行动操作查看数据:.collect():以Row 的列表的形式返回所有的数据
.first():返回第一行(一个Row对象)
.head(n=None):返回前面的n 行参数:n:返回行的数量。默认为1
返回值:如果返回1行,则是一个Row 对象
如果返回多行,则是一个Row 的列表
.show(n=20, truncate=True):在终端中打印前 n 行。它并不返回结果,而是print 结果
参数:n:打印的行数
truncate:如果为True,则超过20个字符的字符串被截断。如果为一个数字,则长度超过它的字符串将被截断。
.take(num):以Row 的列表的形式返回开始的num 行数据。参数:num:返回行的数量
.toLocalIterator():返回一个迭代器,对它迭代的结果就是DataFrame的每一行数据(Row 对象)
统计:.corr(col1, col2, method=None):计算两列的相关系数,返回一个浮点数。当前仅支持皮尔逊相关系数DataFrame.corr() 是DataFrameStatFunctions.corr()的别名
参数:col,col2:为列的名字字符串(或者Column)。
method:当前只支持'pearson'
.cov(col1,col2):计算两列的协方差。DataFrame.cov() 是DataFrameStatFunctions.cov()的别名
参数:col,col2:为列的名字字符串(或者Column)
.count():返回当前DataFrame 有多少行
遍历:.foreach(f):对DataFrame 中的每一行应用f它是df.rdd.foreach() 的快捷方式
.foreachPartition(f):对DataFrame 的每个分区应用f它是df.rdd.foreachPartition() 的快捷方式
示例:xxxxxxxxxx
def f(person):print(person.name)df.foreach(f)def f(people):for person in people:print(person.name)df.foreachPartition(f)
.toPandas():将DataFrame 作为pandas.DataFrame 返回只有当数据较小,可以在驱动器程序中放得下时,才可以用该方法
5.2.3 其它方法缓存:.cache():使用默认的storage level 缓存DataFrame(缓存级别为:MEMORY_AND_DISK )
.persist(storageLevel=StorageLevel(True, True, False, False, 1)):缓存DataFrame参数:storageLevel:缓存级别。默认为MEMORY_AND_DISK
.unpersist(blocking=False):标记该DataFrame 为未缓存的,并且从内存和磁盘冲移除它的缓存块。
.isLocal():如果collect() 和 take() 方法能本地运行(不需要任何executor 节点),则返回True。否则返回False
.printSchema():打印DataFrame 的 schema
.createTempView(name):创建一个临时视图,name 为视图名字。
临时视图是session 级别的,会随着session 的消失而消失。如果指定的临时视图已存在,则抛出TempTableAlreadyExistsException 异常。
参数:name:视图名字
示例:xxxxxxxxxx
df.createTempView("people")df2 = spark_session.sql("select * from people")
.createOrReplaceTempView(name):创建一个临时视图,name 为视图名字。如果该视图已存在,则替换它。参数:name:视图名字
.createGlobalTempView(name):创建一个全局临时视图,name 为视图名字
spark sql 中的临时视图是session 级别的,会随着session 的消失而消失。如果希望一个临时视图跨session 而存在,则可以建立一个全局临时视图。如果指定的全局临时视图已存在,则抛出TempTableAlreadyExistsException 异常。
全局临时视图存在于系统数据库global_temp 中,必须加上库名取引用它
参数:name:视图名字
示例:xxxxxxxxxx
df.createGlobalTempView("people")spark_session.sql("SELECT * FROM global_temp.people").show()
.createOrReplaceGlobalTempView(name):创建一个全局临时视图,name 为视图名字。如果该视图已存在,则替换它。参数:name:视图名字
.registerTempTable(name):创建一个临时表,name 为表的名字。在spark 2.0 中被废弃,推荐使用createOrReplaceTempView
.explain(extended=False):打印logical plan 和physical plan,用于调试模式参数:extended:如果为False,则仅仅打印physical plan
六、Row一个Row 对象代表了DataFrame 的一行
你可以通过两种方式来访问一个Row 对象:通过属性的方式:row.key
通过字典的方式:row[key]
key in row 将在Row 的键上遍历(而不是值上遍历)
创建Row:通过关键字参数来创建:xxxxxxxxxx
row = Row(name="Alice", age=11)如果某个参数为None,则必须显式指定,而不能忽略
你可以创建一个Row 作为一个类来使用,它的作用随后用于创建具体的Rowxxxxxxxxxx
Person = Row("name", "age")p1 = Person("Alice", 11)
方法:.asDict(recursive=False):以字典的方式返回该Row 实例。如果recursive=True,则递归的处理元素中包含的Row
七、ColumnColumn 代表了DataFrame 的一列
有两种创建Column 的方式:通过DataFrame 的列名来创建:xxxxxxxxxx
df.colNamedf['colName']
通过Column 表达式来创建:xxxxxxxxxx
df.colName+11/df['colName']
7.1 方法.alias(*alias, **kwargs):创建一个新列,它给旧列一个新的名字(或者一组名字,如explode 表达式会返回多列)它是name()的别名参数:alias:列的别名
metadata:一个字符串,存储在列的metadata 属性中
示例:xxxxxxxxxx
df.select(df.age.alias("age2"))# 结果为: [Row(age2=2), Row(age2=5)]df.select(df.age.alias("age3",metadata={'max': 99})).schema['age3'].metadata['max']# 结果为: 99排序:.asc():创建一个新列,它是旧列的升序排序的结果
.desc():创建一个新列,它是旧列的降序排序的结果
.astype(dataType):创建一个新列,它是旧列的数值转换的结果它是.cast() 的别名
.between(lowerBound, upperBound):创建一个新列,它是一个布尔值。如果旧列的数值在[lowerBound, upperBound](闭区间)之内,则为True
逻辑操作:返回一个新列,是布尔值。other 为另一Column.bitwiseAND(other):二进制逻辑与
.bitwiseOR(other):二进制逻辑或
.bitwiseXOR(other):二进制逻辑异或
元素抽取:.getField(name):返回一个新列,是旧列的指定字段组成。
此时要求旧列的数据是一个StructField(如Row)参数:name:一个字符串,是字段名
示例:xxxxxxxxxx
df = sc.parallelize([Row(r=Row(a=1, b="b"))]).toDF()df.select(df.r.getField("b"))#或者df.select(df.r.a)
.getItem(key):返回一个新列,是旧列的指定位置(列表),或者指定键(字典)组成。参数:key:一个整数或者一个字符串
示例:xxxxxxxxxx
df = sc.parallelize([([1, 2], {"key": "value"})]).toDF(["l", "d"])df.select(df.l.getItem(0), df.d.getItem("key"))#或者df.select(df.l[0], df.d["key"])
判断:.isNotNull():返回一个新列,是布尔值。表示旧列的值是否非null
.isNull():返回一个新列,是布尔值。表示旧列的值是否null
.isin(*cols):返回一个新列,是布尔值。表示旧列的值是否在cols 中参数:cols:一个列表或者元组
示例:xxxxxxxxxx
df[df.name.isin("Bob", "Mike")]df[df.age.isin([1, 2, 3])]
like(other):返回一个新列,是布尔值。表示旧列的值是否like other。它执行的是SQL 的 like 语义参数:other:一个字符串,是SQL like 表达式
示例:xxxxxxxxxx
df.filter(df.name.like('Al%'))
rlike(other):返回一个新列,是布尔值。表示旧列的值是否rrlike other。它执行的是SQL 的 rlike 语义参数:other:一个字符串,是SQL rlike 表达式
字符串操作:other 为一个字符串。.contains(other):返回一个新列,是布尔值。表示是否包含other。
.endswith(other):返回一个新列,是布尔值。表示是否以other 结尾。
示例:xxxxxxxxxx
df.filter(df.name.endswith('ice'))
.startswith(other):返回一个新列,是布尔值。表示是否以other 开头。
.substr(startPos, length):返回一个新列,它是旧列的子串参数:startPos:子串开始位置(整数或者Column)
length:子串长度(整数或者Column)
.when(condition, value):返回一个新列。对条件进行求值,如果满足条件则返回value,如果不满足:如果有.otherwise() 调用,则返回otherwise 的结果
如果没有.otherwise() 调用,则返回None
参数:condition:一个布尔型的Column 表达式
value:一个字面量值,或者一个Column 表达式
示例:xxxxxxxxxx
from pyspark.sql import functions as Fdf.select(df.name, F.when(df.age > 4, 1).when(df.age < 3, -1).otherwise(0))
.otherwise(value):value 为一个字面量值,或者一个Column 表达式
八、GroupedDataGroupedData 通常由DataFrame.groupBy() 创建,用于分组聚合
8.1 方法.agg(*exprs):聚合并以DataFrame 的形式返回聚合的结果可用的聚合函数包括:avg、max、min、sum、count
参数:exprs:一个字典,键为列名,值为聚合函数字符串。也可以是一个Column 的列表
示例:xxxxxxxxxx
df.groupBy(df.name).agg({"*": "count"}) #字典# 或者from pyspark.sql import functions as Fdf.groupBy(df.name).agg(F.min(df.age)) #字典
统计:.avg(*cols):统计数值列每一组的均值,以DataFrame 的形式返回它是mean() 的别名
参数:cols:列名或者列名的列表
示例:xxxxxxxxxx
df.groupBy().avg('age')df.groupBy().avg('age', 'height')
.count():统计每一组的记录数量,以DataFrame 的形式返回
.max(*cols):统计数值列每一组的最大值,以DataFrame 的形式返回参数:cols:列名或者列名的列表
.min(*cols):统计数值列每一组的最小值,以DataFrame 的形式返回参数:cols:列名或者列名的列表
.sum(*cols):统计数值列每一组的和,以DataFrame 的形式返回参数:cols:列名或者列名的列表
.pivot(pivot_col, values=None):对指定列进行透视。参数:pivot_col:待分析的列的列名
values:待分析的列上,待考察的值的列表。如果为空,则spark 会首先计算pivot_col 的 distinct 值
示例:xxxxxxxxxx
df4.groupBy("year").pivot("course", ["dotNET", "Java"]).sum("earnings")#结果为:[Row(year=2012, dotNET=15000, Java=20000), Row(year=2013, dotNET=48000, Java=30000)]# "dotNET", "Java" 是 course 字段的值
九、functionspyspark.sql.functions 模块提供了一些内建的函数,它们用于创建Column它们通常多有公共的参数 col,表示列名或者Column。
它们的返回结果通常都是Column
9.1 数学函数
这里的col 都是数值列。abs(col):计算绝对值
acos(col):计算acos
cos(col):计算cos 值
cosh(col):计算cosh 值
asin(col):计算asin
atan(col):计算atan
atan2(col1,col2):计算从直角坐标 到极坐标 的角度
bround(col,scale=0):计算四舍五入的结果。如果scale>=0,则使用HALF_EVEN 舍入模式;如果scale<0,则将其舍入到整数部分。
cbrt(col):计算立方根
ceil(col):计算ceiling 值
floor(col):计算floor 值
corr(col1,col2):计算两列的皮尔逊相关系数
covar_pop(col1,col2):计算两列的总体协方差 (公式中的除数是 N )
covar_samp(col1,col2):计算两列的样本协方差 (公式中的除数是 N-1 )
degrees(col):将弧度制转换为角度制
radians(col):将角度制转换为弧度制
exp(col):计算指数:
expml(col):计算指数减一:
fractorial(col):计算阶乘
pow(col1,col2) :返回幂级数
hash(*cols):计算指定的一些列的hash code,返回一个整数列参数:cols:一组列名或者Columns
hypot(col1,col2):计算 (没有中间产出的上溢出、下溢出),返回一个数值列
log(arg1,arg2=None):计算对数。其中第一个参数为底数。如果只有一个参数,则使用自然底数。参数:arg1:如果有两个参数,则它给出了底数。否则就是对它求自然底数。
arg2:如果有两个参数,则对它求对数。
log10(col):计算基于10的对数
log1p(col):计算
log2(col):计算基于2的对数
rand(seed=None):从均匀分布U~[0.0,1.0] 生成一个独立同分布(i.i.d) 的随机列参数:seed:一个整数,表示随机数种子。
randn(seed=None):从标准正态分布N~(0.0,1.0) 生成一个独立同分布(i.i.d) 的随机列参数:seed:一个整数,表示随机数种子。
rint(col):返回最接近参数值的整数的double 形式。
round(col,scale=0):返回指定参数的四舍五入形式。
如果scale>=0,则使用HALF_UP 的舍入模式;否则直接取参数的整数部分。
signum(col):计算正负号
sin(col):计算sin
sinh(col):计算 sinh
sqrt(col):计算平方根
tan(col):计算tan
tanh(col):计算tanh
toDegreees(col):废弃。使用degrees() 代替
toRadias(col):废弃,使用radians() 代替
9.2 字符串函数ascii(col):返回一个数值列,它是旧列的字符串中的首个字母的ascii 值。其中col 必须是字符串列。
base64(col):返回一个字符串列,它是旧列(二进制值)的BASE64编码得到的字符串。其中col 必须是二进制列。
bin(col):返回一个字符串列,它是旧列(二进制值)的字符串表示(如二进制1101 的字符串表示为'1101' )其中col 必须是二进制列。
cov(col,fromBase,toBase):返回一个字符串列,它是一个数字的字符串表达从fromBase 转换到toBase。参数:col:一个字符串列,它是数字的表达。如1028。它的基数由fromBase 给出
fromBase:一个整数,col 中字符串的数值的基数。
toBase:一个整数,要转换的数值的基数。
示例:xxxxxxxxxx
df = spark_session.createDataFrame([("010101",)], ['n'])df.select(conv(df.n, 2, 16).alias('hex')).collect()# 结果:[Row(hex=u'15')]
concat(*cols):创建一个新列,它是指定列的字符串拼接的结果(没有分隔符)。参数cols:列名字符串列表,或者Column 列表。要求这些列具有同样的数据类型
concat_ws(sep,*cols):创建一个新列,它是指定列的字符串使用指定的分隔符拼接的结果。参数sep:一个字符串,表示分隔符
cols:列名字符串列表,或者Column 列表。要求这些列具有同样的数据类型
decode(col,charset):从二进制列根据指定字符集来解码成字符串。参数:col:一个字符串或者Column,为二进制列
charset:一个字符串,表示字符集。
encode(col,charset):把字符串编码成二进制格式。参数:col:一个字符串或者Column,为字符串列
charset:一个字符串,表示字符集。
format_number(col,d):格式化数值成字符串,根据HALF_EVEN 来四舍五入成d 位的小数。参数:col:一个字符串或者Column,为数值列
d:一个整数,格式化成表示d 位小数。
format_string(format,*cols):返回print 风格的格式化字符串。参数:format:print 风格的格式化字符串。如%s%d
cols:一组列名或者Columns,用于填充format
hex(col):计算指定列的十六进制值(以字符串表示)。参数:col:一个字符串或者Column,为字符串列、二进制列、或者整数列
initcap(col):将句子中每个单词的首字母大写。参数:col:一个字符串或者Column,为字符串列
input_file_name():为当前的spark task 的文件名创建一个字符串列
instr(str,substr):给出substr 在str 的首次出现的位置。位置不是从0开始,而是从1开始的。
如果substr 不在str 中,则返回 0 。
如果str 或者 substr 为null,则返回null。参数:str:一个字符串或者Column,为字符串列
substr:一个字符串
locate(substr,str,pos=1):给出substr 在str 的首次出现的位置(在pos 之后)。位置不是从0开始,而是从1开始的。
如果substr 不在str 中,则返回 0 。
如果str 或者 substr 为null,则返回null。参数:str:一个字符串或者Column,为字符串列
substr:一个字符串
pos::起始位置(基于0开始)
length(col):计算字符串或者字节的长度。参数:col:一个字符串或者Column,为字符串列,或者为字节列。
levenshtein(left,right):计算两个字符串之间的Levenshtein 距离。
Levenshtein 距离:刻画两个字符串之间的差异度。它是从一个字符串修改到另一个字符串时,其中编辑单个字符串(修改、插入、删除)所需要的最少次数。
lower(col):转换字符串到小写
lpad(col,len,pad):对字符串,向左填充。参数:col:一个字符串或者Column,为字符串列
len:预期填充后的字符串长度
pad:填充字符串
ltrim(col):裁剪字符串的左侧空格
md5(col):计算指定列的MD5 值(一个32字符的十六进制字符串)
regexp_extract(str,pattern,idx):通过正则表达式抽取字符串中指定的子串 。参数:str:一个字符串或者Column,为字符串列,表示被抽取的字符串。
pattern: 一个Java 正则表达式子串。
idx:表示抽取第几个匹配的结果。
返回值:如果未匹配到,则返回空字符串。
.regexp_replace(str,pattern,replacement): 通过正则表达式替换字符串中指定的子串。参数:str:一个字符串或者Column,为字符串列,表示被替换的字符串。
pattern: 一个Java 正则表达式子串。
replacement:表示替换的子串
返回值:如果未匹配到,则返回空字符串。
repeat(col,n):重复一个字符串列n次,结果返回一个新的字符串列。参数:col:一个字符串或者Column,为字符串列
n:一个整数,表示重复次数
reverse(col):翻转一个字符串列,结果返回一个新的字符串列
rpad(col,len,pad):向右填充字符串到指定长度。参数:col:一个字符串或者Column,为字符串列
len: 指定的长度
pad:填充字符串
rtrim(col):剔除字符串右侧的空格符
sha1(col): 以16进制字符串的形式返回SHA-1 的结果
sha2(col,numBites):以16进制字符串的形式返回SHA-2 的结果。
numBites 指定了结果的位数(可以为 244,256,384,512,或者0表示256 )
soundex(col):返回字符串的SoundEx 编码
split(str,pattern): 利用正则表达式拆分字符串。产生一个array 列参数:str:一个字符串或者Column,为字符串列
pattern:一个字符串,表示正则表达式
substring(str,pos,len):抽取子串。参数:str:一个字符串或者Column,为字符串列,或者字节串列
pos:抽取的起始位置
len:抽取的子串长度
返回值:如果str 表示字符串列,则返回的是子字符串。如果str 是字节串列,则返回的是字节子串。
substring_index(str,delim,count):抽取子串参数:str: 一个字符串或者Column,为字符串列
delim:一个字符串,表示分隔符
count:指定子串的下标。 如果为正数,则从左开始,遇到第count 个delim 时,返回其左侧的内容; 如果为负数,则从右开始,遇到第abs(count) 个delim 时,返回其右侧的内容;
示例:xxxxxxxxxx
df = spark.createDataFrame([('a.b.c.d',)], ['s'])df.select(substring_index(df.s, '.', 2).alias('s')).collect()# [Row(s=u'a.b')]df.select(substring_index(df.s, '.', -3).alias('s')).collect()# [Row(s=u'b.c.d')]
translate(srcCol,matching,replace):将srcCol 中指定的字符替换成另外的字符。参数:srcCol: 一个字符串或者Column,为字符串列
matching: 一个字符串。只要srcCol 中的字符串,有任何字符匹配了它,则执行替换
replace:它一一对应于matching 中要替换的字符
示例:xxxxxxxxxx
df = spark.createDataFrame([('translate',)], ['a'])df.select(translate('a', "rnlt", "123") .alias('r')).collect()# [Row(r=u'1a2s3ae')]# r->1, n->2,l->3, t->空字符
trim(col):剔除字符串两侧的空格符
unbase64(col): 对字符串列执行BASE64 编码,并且返回一个二进制列
unhex(col):对字符串列执行hex 的逆运算。 给定一个十进制数字字符串,将其逆转换为十六进制数字字符串。
upper(col):将字符串列转换为大写格式
9.3 日期函数add_months(start, months):增加月份参数:start:列名或者Column 表达式,指定起始时间
months:指定增加的月份
示例:xxxxxxxxxx
df = spark_session.createDataFrame([('2015-04-08',)], ['d'])df.select(add_months(df.d, 1).alias('d'))# 结果为:[Row(d=datetime.date(2015, 5, 8))]
current_data():返回当前日期作为一列
current_timestamp():返回当前的时间戳作为一列
date_add(start,days):增加天数参数:start:列名或者Column 表达式,指定起始时间
days:指定增加的天数
date_sub(start,days):减去天数参数:start:列名或者Column 表达式,指定起始时间
days:指定减去的天数
date_diff(end,start):返回两个日期之间的天数差值参数:end:列名或者Column 表达式,指定结束时间。为date/timestamp/string
start:列名或者Column 表达式,指定起始时间。为date/timestamp/string
date_format(date,format):转换date/timestamp/string 到指定格式的字符串。参数:date:一个date/timestamp/string 列的列名或者Column
format:一个字符串,指定了日期的格式化形式。支持java.text.SimpleDateFormat 的所有格式。
dayofmonth(col):返回日期是当月的第几天(一个整数)。其中col 为date/timestamp/string
dayofyear(col):返回日期是当年的第几天(一个整数)。其中col 为date/timestamp/string
from_unixtime(timestamp, format='yyyy-MM-dd HH:mm:ss'):转换unix 时间戳到指定格式的字符串。参数:timestamp:时间戳的列
format:时间格式化字符串
from_utc_timestamp(timestamp, tz):转换unix 时间戳到指定时区的日期。
hour(col):从指定时间中抽取小时,返回一个整数列参数:col:一个字符串或者Column。是表示时间的字符串列,或者datetime 列
minute(col):从指定时间中抽取分钟,返回一个整数列参数:col:一个字符串或者Column。是表示时间的字符串列,或者datetime 列
second(col):从指定的日期中抽取秒,返回一个整数列。参数:col:一个字符串或者Column。是表示时间的字符串列,或者datetime 列
month(col):从指定时间中抽取月份,返回一个整数列参数:col:一个字符串或者Column。是表示时间的字符串列,或者datetime 列
quarter(col):从指定时间中抽取季度,返回一个整数列参数:col:一个字符串或者Column。是表示时间的字符串列,或者datetime 列
last_day(date):返回指定日期的当月最后一天(一个datetime.date)参数:date:一个字符串或者Column。是表示时间的字符串列,或者datetime 列
months_between(date1,date2):返回date1 到 date2 之间的月份(一个浮点数)。
也就是date1-date2 的天数的月份数量。如果为正数,表明date1 > date2。参数:date1:一个字符串或者Column。是表示时间的字符串列,或者datetime 列
date2:一个字符串或者Column。是表示时间的字符串列,或者datetime 列
next_day(date,dayOfWeek):返回指定天数之后的、且匹配dayOfWeek 的那一天。参数:date1:一个字符串或者Column。是表示时间的字符串列,或者datetime 列
dayOfWeek:指定星期几。是大小写敏感的,可以为:'Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun'
to_date(col,format=None):转换pyspark.sql.types.StringType 或者pyspark.sql.types.TimestampType 到 pyspark.pysql.types.DateType参数:col:一个字符串或者Column。是表示时间的字符串列
format:指定的格式。默认为yyyy-MM-dd
to_timestamp(col,format=None):将StringType,TimestampType 转换为DataType。参数:col:一个字符串或者Column。是表示时间的字符串列
format:指定的格式。默认为yyyy-MM-dd HH:mm:ss
to_utc_timestamp(timestamp,tz):根据给定的时区,将StringType,TimestampType 转换为DataType。参数:col:一个字符串或者Column。是表示时间的字符串列
tz:一个字符串,表示时区
trunc(date,format):裁剪日期到指定的格式 。参数:date:一个字符串或者Column。是表示时间的字符串列
format:指定的格式。如: 'year','YYYY','yy','month','mon','mm','d'
unix_timestamp(timestamp=None,format='yyyy-MM-dd HH:mm:ss') :给定一个unix timestamp(单位为秒),将其转换为指定格式的字符串。使用默认的时区和默认的locale。
如果转换失败,返回null 。
如果timestamp=None,则返回当前的timestamp。参数:timestamp:一个unix 时间戳列。
format:指定转换的格式
weekofyear(col): 返回给定时间是当年的第几周。返回一个整数。
year(col):从日期中抽取年份,返回一个整数。
9.4 聚合函数count(col):计算每一组的元素的个数。
avg(col):计算指定列的均值
approx_count_distinct(col, rsd=None):统计指定列有多少个distinct 值
countDistinct(col,*cols):计算一列或者一组列中的distinct value 的数量。
collect_list(col):返回指定列的元素组成的列表(不会去重)
collect_set(col):返回指定列的元素组成的集合(去重)
first(col,ignorenulls=False):返回组内的第一个元素。
如果ignorenulls=True,则忽略null 值,直到第一个非null 值。如果都是null,则返回null。
如果ignorenulls=False,则返回组内第一个元素(不管是不是null)
last(col,ignorenulls=False):返回组内的最后一个元素。
如果ignorenulls=True,则忽略null 值,直到最后一个非null 值。如果都是null,则返回null。
如果ignorenulls=False,则返回组内最后一个元素(不管是不是null)
grouping(col):判断group by list 中的指定列是否被聚合。如果被聚合则返回1,否则返回 0。
grouping_id(*cols):返回grouping 的级别。
cols 必须严格匹配grouping columns,或者为空(表示所有的grouping columns)
kurtosis(col):返回一组元素的峰度
max(col):返回组内的最大值。
mean(col):返回组内的均值
min(col):返回组内的最小值
skewness(col): 返回组内的偏度
stddev(col):返回组内的样本标准差(分母除以 N-1 )
stddev_pop(col):返回组内的总体标准差(分母除以 N )
stddev_samp(col): 返回组内的标准差,与stddev 相同
sum(col):返回组内的和
sumDistinct(col):返回组内distinct 值的和
var_pop(col):返回组内的总体方差。 (分母除以 N )
var_samp(col):返回组内的样本方差 。(分母除以 N-1 )
variance(col):返回组内的总体方差,与var_pop 相同
9.5 逻辑与按位函数.bitwiseNot(col) :返回一个字符串列,它是旧列的比特级的取反。
isnan(col):返回指定的列是否是NaN
isnull(col):返回指定的列是否为null
shiftLeft(col,numBites):按位左移指定的比特位数。
shiftRight(col,numBites):按位右移指定的比特位数。
shiftRightUnsigned(col,numBites):按位右移指定的比特位数。但是无符号移动。
9.6 排序、拷贝asc(col):返回一个升序排列的Column
desc(col):返回一个降序排列的Column
col(col):返回值指定列组成的Column
column(col):返回值指定列组成的Column
9.7 窗口函数window(timeColumn,windowDuration,slideDuration=None,startTime=None) :将rows 划分到一个或者多个窗口中(通过timestamp 列)参数:timeColumn:一个时间列,用于划分window。它必须是pyspark.sql.types.TimestampType
windowDuration: 表示时间窗口间隔的字符串。如 '1 second','1 day 12 hours','2 minutes' 。单位字符串可以为'week','day','hour','minute','second','millisecond','microsecond'。
slideDuration: 表示窗口滑动的间隔,即:下一个窗口移动多少。如果未提供,则窗口为 tumbling windows。 单位字符串可以为'week','day','hour','minute','second','millisecond','microsecond'。
startTime:起始时间。它是1970-01-01 00:00:00 以来的相对偏移时刻。如,你需要在每个小时的15 分钟开启小时窗口,则它为15 minutes: 12:15-13:15,13:15-14:15,...
返回值:返回一个称作window 的 struct,它包含start,end(一个半开半闭区间)
cume_dist():返回一个窗口中的累计分布概率。
dense_rank():返回窗口内的排名。(1,2,... 表示排名为1,2,...)
它和rank() 的区别在于:dense_rank() 的排名没有跳跃(比如有3个排名为1,那么下一个排名是2,而不是下一个排名为4)
rank():返回窗口内的排名。(1,2,... 表示排名为1,2,...)。
如有3个排名为1,则下一个排名是 4。
percent_rank():返回窗口的相对排名(如:百分比)
lag(col,count=1,default=None):返回当前行之前偏移行的值。如果当前行之前的行数小于count,则返回default 值。参数:col:一个字符串或者Column。开窗的列
count:偏移行
default:默认值
lead(col,count=1,default=None):返回当前行之后偏移行的值。如果当前行之后的行数小于count,则返回default 值。参数:col:一个字符串或者Column。开窗的列
count:偏移行
default:默认值
ntile(n):返回有序窗口分区中的ntile group id (从 1 到 n )
row_number(): 返回一个序列,从 1 开始,到窗口的长度。
9.8 其它array(*cols):创新一个新的array 列。参数:cols:列名字符串列表,或者Column 列表。要求这些列具有同样的数据类型
示例:xxxxxxxxxx
df.select(array('age', 'age').alias("arr"))df.select(array([df.age, df.age]).alias("arr"))
array_contains(col, value):创建一个新列,指示value是否在array 中(由col 给定)
其中col 必须是array 类型。而value 是一个值,或者一个Column 或者列名。判断逻辑:如果array 为null,则返回null;
如果value 位于 array 中,则返回True;
如果value 不在 array 中,则返回False
示例:xxxxxxxxxx
df = spark_session.createDataFrame([(["a", "b", "c"],), ([],)], ['data'])df.select(array_contains(df.data, "a"))
create_map(*cols):创建一个map 列。参数:cols:列名字符串列表,或者Column 列表。这些列组成了键值对。如(key1,value1,key2,value2,...)
示例:xxxxxxxxxx
df.select(create_map('name', 'age').alias("map")).collect()#[Row(map={u'Alice': 2}), Row(map={u'Bob': 5})]
broadcast(df):标记df 这个Dataframe 足够小,从而应用于broadcast join参数:df:一个 Dataframe 对象coalesce(*cols):返回第一个非null 的列组成的Column。如果都为null,则返回null参数:cols:列名字符串列表,或者Column 列表。
crc32(col):计算二进制列的CRC32 校验值。要求col 是二进制列。
explode(col):将一个array 或者 map 列拆成多行。要求col 是一个array 或者map 列。
示例:xxxxxxxxxx
eDF = spark_session.createDataFrame([Row(a=1, intlist=[1,2,3], mapfield={"a": "b"})])eDF.select(explode(eDF.intlist).alias("anInt")).collect()# 结果为:[Row(anInt=1), Row(anInt=2), Row(anInt=3)]eDF.select(explode(eDF.mapfield).alias("key", "value")).show()#结果为:# +---+-----+# |key|value|# +---+-----+# | a| b|# +---+-----+
posexplode(col): 对指定array 或者map 中的每个元素,依据每个位置返回新的一行。
要求col 是一个array 或者map 列。
示例:xxxxxxxxxx
eDF = spark_session.createDataFrame([Row(a=1, intlist=[1,2,3], mapfield={"a": "b"})])eDF.select(posexplode(eDF.intlist)).collect()#结果为:[Row(pos=0, col=1), Row(pos=1, col=2), Row(pos=2, col=3)]
expr(str):计算表达式。参数:str:一个表达式。如length(name)
from_json(col,schema,options={}):解析一个包含JSON 字符串的列。如果遇到无法解析的字符串,则返回null。参数:col:一个字符串列,字符串是json 格式
schema:一个StructType(表示解析一个元素),或者StructType 的 ArrayType(表示解析一组元素)
options:用于控制解析过程。
示例:xxxxxxxxxx
from pyspark.sql.types import *schema = StructType([StructField("a", IntegerType())])df = spark_session.createDataFrame([(1, '{"a": 1}')], ("key", "value"))df.select(from_json(df.value, schema).alias("json")).collect()#结果为:[Row(json=Row(a=1))]
get_json_object(col,path):从json 字符串中提取指定的字段。如果json 字符串无效,则返回null.参数:col:包含json 格式的字符串的列。
path:json 的字段的路径。
示例:xxxxxxxxxx
data = [("1", '''{"f1": "value1", "f2": "value2"}'''), ("2", '''{"f1": "value12"}''')]df = spark_session.createDataFrame(data, ("key", "jstring"))df.select(df.key, get_json_object(df.jstring, '$.f1').alias("c0"),get_json_object(df.jstring, '$.f2').alias("c1") ).collect()# 结果为:[Row(key=u'1', c0=u'value1', c1=u'value2'), Row(key=u'2', c0=u'value12', c1=None)]
greatest(*cols):返回指定的一堆列中的最大值。要求至少包含2列。
它会跳过null 值。如果都是null 值,则返回null。
least(*cols):返回指定的一堆列中的最小值。要求至少包含2列。
它会跳过null 值。如果都是null 值,则返回null。
json_tuple(col,*fields):从json 列中抽取字段组成新列(抽取n 个字段,则生成n 列)参数:col:一个json 字符串列
fields:一组字符串,给出了json 中待抽取的字段
lit(col):创建一个字面量值的列
monotonically_increasing_id():创建一个单调递增的id 列(64位整数)。
它可以确保结果是单调递增的,并且是unique的,但是不保证是连续的。
它隐含两个假设:假设dataframe 分区数量少于1 billion
假设每个分区的记录数量少于8 billion
nanvl(col1,col2):如果col1 不是NaN,则返回col1;否则返回col2。
要求col1 和 col2 都是浮点列(DoubleType 或者 FloatType )
size(col):计算array/map 列的长度(元素个数)。
sort_array(col,asc=True): 对array 列中的array 进行排序(排序的方式是自然的顺序)参数:col:一个字符串或者Column, 指定一个array 列
asc: 如果为True,则是升序;否则是降序
spark_partition_id():返回一个partition ID 列
该方法产生的结果依赖于数据划分和任务调度,因此是未确定结果的。
struct(*cols):创建一个新的struct 列。参数:cols:一个字符串列表(指定了列名),或者一个Column 列表
示例:xxxxxxxxxx
df.select(struct('age', 'name').alias("struct")).collect()# [Row(struct=Row(age=2, name=u'Alice')), Row(struct=Row(age=5, name=u'Bob'))]
to_json(col,options={}):将包含 StructType 或者Arrytype 的StructType 转换为json 字符串。如果遇到不支持的类型,则抛出异常。参数:col:一个字符串或者Column,表示待转换的列
options:转换选项。它支持和json datasource 同样的选项
udf(f=None,returnType=StringType):根据用户定义函数(UDF) 来创建一列。参数:f:一个python 函数,它接受一个参数
returnType:一个pyspqrk.sql.types.DataType 类型,表示udf 的返回类型
示例:xxxxxxxxxx
from pyspark.sql.types import IntegerTypeslen = udf(lambda s: len(s), IntegerType())df.select(slen("name").alias("slen_name"))
when(condition,value): 对一系列条件求值,返回其中匹配的哪个结果。
如果Column.otherwise() 未被调用,则当未匹配时,返回None;如果Column.otherwise() 被调用,则当未匹配时,返回otherwise() 的结果。参数:condition:一个布尔列
value:一个字面量值,或者一个Column
示例:xxxxxxxxxx
df.select(when(df['age'] == 2, 3).otherwise(4).alias("age")).collect()# [Row(age=3), Row(age=4)]