Java教程

07 Spark SQL 及其DataFrame的基本操作

本文主要是介绍07 Spark SQL 及其DataFrame的基本操作，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

 

 

1.Spark SQL出现的 原因是什么?

Spark SQL是Spark用来处理结构化数据的一个模块，它提供了一个叫作Data Frame的编程抽象结构数据模型(即带有Schema信息的RDD)，Spark SQL作为分布式SQL查询引擎，让用户可以通过SQL、DataFrame API和Dataset API三种方式实现对结构化数据的处理。但无论是哪种API或者是编程语言，都是基于同样的执行引擎，因此可以在不同的API之间随意切换。

Spark SQL的前身是 Shark，Shark最初是美国加州大学伯克利分校的实验室开发的Spark生态系统的组件之一，它运行在Spark系统之上，Shark重用了Hive的工作机制，并直接继承了Hive的各个组件， Shark将SQL语句的转换从MapReduce作业替换成了Spark作业，虽然这样提高了计算效率，但由于 Shark过于依赖Hive，因此在版本迭代时很难添加新的优化策略，从而限制了Spak的发展，在2014年，伯克利实验室停止了对Shark的维护，转向Spark SQL的开发。

 

2.用spark.read 创建DataFrame

 

 

 

 

 

 

 

3.观察从不同类型文件创建DataFrame有什么异同?

 

 

 

3.1 利用反射机制推断RDD模式

  • sc创建RDD
  • 转换成Row元素，列名=值
  • spark.createDataFrame生成df
  • df.show(), df.printSchema()

  

3.2 使用编程方式定义RDD模式

  • 生成“表头”
    • fields = [StructField(field_name, StringType(), True) ,...]
    • schema = StructType(fields)
  • 生成“表中的记录”
    • 创建RDD
    • 转换成Row元素，列名=值
  • 把“表头”和“表中的记录”拼装在一起
    • = spark.createDataFrame(RDD, schema)

 4. DataFrame保存为文件

df.write.json(dir)

预练习：

读 学生课程分数文件chapter4-data01.txt，创建DataFrame。并尝试用DataFrame的操作完成实验三的数据分析要求。

 

 

 

4.观察Spark的DataFrame与Python pandas的DataFrame有什么异同？

 

 

           
  Pandas Spark
工作方式 单机single machine tool，没有并行机制parallelism
不支持Hadoop，处理大量数据有瓶颈		 分布式并行计算框架，内建并行机制parallelism，所有的数据和操作自动并行分布在各个集群结点上。以处理in-memory数据的方式处理distributed数据。
支持Hadoop，能处理大量数据
延迟机制 not lazy-evaluated lazy-evaluated
内存缓存 单机缓存 persist() or cache()将转换的RDDs保存在内存
DataFrame可变性 Pandas中DataFrame是可变的 Spark中RDDs是不可变的，因此DataFrame也是不可变的
创建 从spark_df转换：pandas_df = spark_df.toPandas() 从pandas_df转换：spark_df = SQLContext.createDataFrame(pandas_df)
另外，createDataFrame支持从list转换spark_df，其中list元素可以为tuple，dict，rdd
list，dict，ndarray转换 已有的RDDs转换
CSV数据集读取 结构化数据文件读取
HDF5读取 JSON数据集读取
EXCEL读取 Hive表读取
  外部数据库读取
index索引 自动创建 没有index索引，若需要需要额外创建该列
行结构 Series结构，属于Pandas DataFrame结构 Row结构，属于Spark DataFrame结构
列结构 Series结构，属于Pandas DataFrame结构 Column结构，属于Spark DataFrame结构，如：DataFrame[name: string]
列名称 不允许重名 允许重名
修改列名采用alias方法
列添加 df[“xx”] = 0 df.withColumn(“xx”, 0).show() 会报错
from pyspark.sql import functions
df.withColumn(“xx”, functions.lit(0)).show()
列修改 原来有df[“xx”]列，df[“xx”] = 1 原来有df[“xx”]列，df.withColumn(“xx”, 1).show()
显示   df 不输出具体内容，输出具体内容用show方法
输出形式：DataFrame[age: bigint, name: string]
df 输出具体内容 df.show() 输出具体内容
没有树结构输出形式 以树的形式打印概要：df.printSchema()
  df.collect()
排序 df.sort_index() 按轴进行排序  
df.sort() 在列中按值进行排序 df.sort() 在列中按值进行排序
选择或切片 df.name 输出具体内容 df[] 不输出具体内容，输出具体内容用show方法
df[“name”] 不输出具体内容，输出具体内容用show方法
df[] 输出具体内容，
df[“name”] 输出具体内容		 df.select() 选择一列或多列
df.select(“name”)
切片 df.select(df[‘name’], df[‘age’]+1)
df[0]
df.ix[0]		 df.first()
df.head(2) df.head(2)或者df.take(2)
df.tail(2)  
切片 df.ix[:3]或者df.ix[:”xx”]或者df[:”xx”]  
df.loc[] 通过标签进行选择  
df.iloc[] 通过位置进行选择  
过滤 df[df[‘age’]>21] df.filter(df[‘age’]>21) 或者 df.where(df[‘age’]>21)
整合 df.groupby(“age”)
df.groupby(“A”).avg(“B”)		 df.groupBy(“age”)
df.groupBy(“A”).avg(“B”).show() 应用单个函数
from pyspark.sql import functions
df.groupBy(“A”).agg(functions.avg(“B”), functions.min(“B”), functions.max(“B”)).show() 应用多个函数
统计 df.count() 输出每一列的非空行数 df.count() 输出总行数
df.describe() 描述某些列的count, mean, std, min, 25%, 50%, 75%, max df.describe() 描述某些列的count, mean, stddev, min, max
合并 Pandas下有concat方法，支持轴向合并  
Pandas下有merge方法，支持多列合并
同名列自动添加后缀，对应键仅保留一份副本		 Spark下有join方法即df.join()
同名列不自动添加后缀，只有键值完全匹配才保留一份副本
df.join() 支持多列合并  
df.append() 支持多行合并  
缺失数据处理 对缺失数据自动添加NaNs 不自动添加NaNs，且不抛出错误
fillna函数：df.fillna() fillna函数：df.na.fill()
dropna函数：df.dropna() dropna函数：df.na.drop()
SQL语句 import sqlite3
pd.read_sql(“SELECT name, age FROM people WHERE age >= 13 AND age <= 19″)		 表格注册：把DataFrame结构注册成SQL语句使用类型
df.registerTempTable(“people”) 或者 sqlContext.registerDataFrameAsTable(df, “people”)
sqlContext.sql(“SELECT name, age FROM people WHERE age >= 13 AND age <= 19″)
功能注册：把函数注册成SQL语句使用类型
sqlContext.registerFunction(“stringLengthString”, lambda x: len(x))
sqlContext.sql(“SELECT stringLengthString(‘test’)”)
两者互相转换 pandas_df = spark_df.toPandas() spark_df = sqlContext.createDataFrame(pandas_df)
函数应用 df.apply(f）将df的每一列应用函数f df.foreach(f) 或者 df.rdd.foreach(f) 将df的每一列应用函数f
df.foreachPartition(f) 或者 df.rdd.foreachPartition(f) 将df的每一块应用函数f
map-reduce操作 map(func, list)，reduce(func, list) 返回类型seq df.map(func)，df.reduce(func) 返回类型seqRDDs
diff操作 有diff操作，处理时间序列数据（Pandas会对比当前行与上一行） 没有diff操作（Spark的上下行是相互独立，分布式存储的）
这篇关于07 Spark SQL 及其DataFrame的基本操作的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！
您可能喜欢
栏目导航