python使用spark_Python的Spark操作1

前言

操作系统win10

时间2019年3月

Python版本:Python 3.5.2

java版本:jdk1.8.0_191

hadoop版本:hadoop 2.8.5

spark版本:spark 2.3.1 bin hadoop2.7

Python操作Spark

加载相关依赖包

import numpy as np # use in example fourth

from matplotlib import pyplot as plt # use in example fourth

from pyspark import SparkContext # use in example third&fourth

from pyspark.sql import SparkSession # use in example first&second

from pyspark.sql.types import FloatType # use in example second

first example

SparkSession.read() and two different way of print columns etc.

sc = SparkSession.builder.appName('test').master('local').getOrCreate()

df = sc.read.csv('003.csv', header=True) # SparkSession读取外部csv文件

print(df.columns) # 类似pandas的DataFrame操作

df.printSchema() # show表结构

sc.stop()

['x1', ' x2', ' x3', ' x4', ' x5', ' x6', ' x7']

root

|-- x1: string (nullable = true)

|-- x2: string (nullable = true)

|-- x3: string (nullable = true)

|-- x4: string (nullable = true)

|-- x5: string (nullable = true)

|-- x6: string (nullable = true)

|-- x7: string (nullable = true)

second example

createDataFrame()&printSchema()&show()&collect() etc.

sc = SparkSession.builder.getOrCreate()

data = [1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0]

transform_data = sc.createDataFrame(data, FloatType())

transform_data.printSchema() # show表结构

transform_data.show() # show整表

print(data)

print(transform_data.collect()) # collect函数将rdd对象转成list对象

sc.stop()

root

|-- value: float (nullable = true)

+-----+

|value|

+-----+

| 1.0|

| 2.0|

| 3.0|

| 4.0|

| 5.0|

| 6.0|

| 7.0|

| 8.0|

| 9.0|

+-----+

[1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0]

[Row(value=1.0), Row(value=2.0), Row(value=3.0), Row(value=4.0), Row(value=5.0), Row(value=6.0), Row(value=7.0), Row(value=8.0), Row(value=9.0)]

third example

SparkContext.parallelize()&glom()&reduce()&map()&flatMap() etc.

sc = SparkContext.getOrCreate()

data = [1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0]

parallelize_data = sc.parallelize(data, 3) # 并行化list对象,第二个参数为分区个数(默认1)

# collect函数将rdd对象转成list对象

print(parallelize_data.collect())

# glom函数用于显示出RDD对象的分区情况

print(parallelize_data.glom().collect())

# reduce函数是针对RDD对应的列表中的元素,递归地选择第一个和第二个元素进行操作

# 操作的结果作为一个元素用来替换这两个元素

# (注意:reduce返回的是一个Python可以识别的对象,非RDD对象。)

print(parallelize_data.reduce(lambda a, b: a+b))

# map函数针对RDD对应的列表的每一个元素,进行lambda函数操作,返回的仍然是一个RDD对象

print(parallelize_data.map(lambda x: (x, x**2)).collect())

# flatMap函数直接用多个元素替换单个元素

print(parallelize_data.flatMap(lambda x: (x, x**2)).collect())

sc.stop()

[[1.0, 2.0, 3.0], [4.0, 5.0, 6.0], [7.0, 8.0, 9.0]]

45.0

[(1.0, 1.0), (2.0, 4.0), (3.0, 9.0), (4.0, 16.0), (5.0, 25.0), (6.0, 36.0), (7.0, 49.0), (8.0, 64.0), (9.0, 81.0)]

[1.0, 1.0, 2.0, 4.0, 3.0, 9.0, 4.0, 16.0, 5.0, 25.0, 6.0, 36.0, 7.0, 49.0, 8.0, 64.0, 9.0, 81.0]

fourth example

SparkContext.parallelize()&count()&stats()&mean()&stdev() etc.

sc = SparkContext.getOrCreate()

total = 1000000

dots = sc.parallelize([2.0 * np.random.random(2) - 1.0 for i in range(total)]).cache()

print("Number of random points:", dots.count())

stats = dots.stats()

print(stats)

print('Mean:', stats.mean())

print('stdev:', stats.stdev())

sc.stop()

Number of random points: 1000000

(count: 1000000, mean: [3.97265087e-04 6.62457038e-06], stdev: [0.57692566 0.57738814], max: [0.99999826 0.99999957], min: [-0.99999682 -0.99999845])

Mean: [3.97265087e-04 6.62457038e-06]

stdev: [0.57692566 0.57738814]

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值