java dataframe 遍历,03_dataframe

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)]

​