笔者最近需要使用pyspark进行数据整理，于是乎给自己整理一份使用指南。pyspark.dataframe跟pandas的差别还是挺大的。
文章目录
1、-------- 查 --------
— 1.1 行元素查询操作 —
像SQL那样打印列表前20元素
show函数内可用int类型指定要打印的行数：
df.show() df.show(30)12
以树的形式打印概要
df.printSchema()1
获取头几行到本地：
list = df.head(3) # Example: [Row(a=1, b=1), Row(a=2, b=2), ... ...] list = df.take(5) # Example: [Row(a=1, b=1), Row(a=2, b=2), ... ...]12
查询总行数：
int_num = df.count()12
取别名
df.select(df.age.alias('age_value'),'name')1
查询某列为null的行：
from pyspark.sql.functions import isnull
df = df.filter(isnull("col_a"))12
输出list类型，list中每个元素是Row类：
list = df.collect()1
注：此方法将所有数据全部导入到本地，返回一个Array对象
查询概况
df.describe().show()1
以及查询类型，之前是type，现在是df.printSchema()
root |-- user_pin: string (nullable = true) |-- a: string (nullable = true) |-- b: string (nullable = true) |-- c: string (nullable = true) |-- d: string (nullable = true) |-- e: string (nullable = true) ...12345678
如上图所示，只是打印出来。
去重set操作
data.select('columns').distinct().show()1
跟py中的set一样，可以distinct()一下去重，同时也可以.count()计算剩余个数
随机抽样
随机抽样有两种方式，一种是在HIVE里面查数随机；另一种是在pyspark之中。
HIVE里面查数随机
sql = "select * from data order by rand() limit 2000"1
pyspark之中
sample = result.sample(False,0.5,0) # randomly select 50% of lines 1
— 1.2 列元素操作 —
获取Row元素的所有列名：
r = Row(age=11, name='Alice') print r.columns # ['age', 'name']12
选择一列或多列：select
df["age"] df.age df.select(“name”) df.select(df[‘name’], df[‘age’]+1) df.select(df.a, df.b, df.c) # 选择a、b、c三列 df.select(df["a"], df["b"], df["c"]) # 选择a、b、c三列123456
重载的select方法：
jdbcDF.select(jdbcDF( "id" ), jdbcDF( "id") + 1 ).show( false)1
会同时显示id列 + id + 1列
还可以用where按条件选择
jdbcDF .where("id = 1 or c1 = 'b'" ).show()1
— 1.3 排序 —
orderBy和sort：按指定字段排序，默认为升序
train.orderBy(train.Purchase.desc()).show(5) Output: +-------+----------+------+-----+----------+-------------+--------------------------+--------------+------------------+------------------+------------------+--------+ |User_ID|Product_ID|Gender| Age|Occupation|City_Category|Stay_In_Current_City_Years|Marital_Status|Product_Category_1|Product_Category_2|Product_Category_3|Purchase| +-------+----------+------+-----+----------+-------------+--------------------------+--------------+------------------+------------------+------------------+--------+ |1003160| P00052842| M|26-35| 17| C| 3| 0| 10| 15| null| 23961| |1002272| P00052842| M|26-35| 0| C| 1| 0| 10| 15| null| 23961| |1001474| P00052842| M|26-35| 4| A| 2| 1| 10| 15| null| 23961| |1005848| P00119342| M|51-55| 20| A| 0| 1| 10| 13| null| 23960| |1005596| P00117642| M|36-45| 12| B| 1| 0| 10| 16| null| 23960| +-------+----------+------+-----+----------+-------------+--------------------------+--------------+------------------+------------------+------------------+--------+ only showing top 5 rows123456789101112
按指定字段排序。加个-表示降序排序
— 1.4 抽样 —
sample是抽样函数
t1 = train.sample(False, 0.2, 42) t2 = train.sample(False, 0.2, 43) t1.count(),t2.count() Output: (109812, 109745)12345
withReplacement = True or False代表是否有放回。
fraction = x, where x = .5，代表抽取百分比
— 1.5 按条件筛选when / between —
when(condition, value1).otherwise(value2)联合使用：
那么：当满足条件condition的指赋值为values1,不满足条件的则赋值为values2.
otherwise表示，不满足条件的情况下，应该赋值为啥。
demo1
>>> from pyspark.sql import functions as F >>> df.select(df.name, F.when(df.age > 4, 1).when(df.age < 3, -1).otherwise(0)).show() +-----+------------------------------------------------------------+ | name|CASE WHEN (age > 4) THEN 1 WHEN (age < 3) THEN -1 ELSE 0 END| +-----+------------------------------------------------------------+ |Alice| -1| | Bob| 1| +-----+------------------------------------------------------------+12345678
demo 2:多个when串联
df = df.withColumn('mod_val_test1',F.when(df['rand'] <= 0.35,1).when(df['rand'] <= 0.7, 2).otherwise(3))1
between(lowerBound, upperBound)
筛选出某个范围内的值，返回的是TRUE or FALSE
>>> df.select(df.name, df.age.between(2, 4)).show() +-----+---------------------------+ | name|((age >= 2) AND (age <= 4))| +-----+---------------------------+ |Alice| true| | Bob| false| +-----+---------------------------+1234567
选择dataframe中间的特定行数
而我使用的dataframe前两种方法都没法解决。特点如下：
特定列中的内容为字符串，并非数值，不能直接比较大小。
所选取数据为中间行，如第10~20行，不能用函数直接选取。
最终的解决方法如下：
首先添加行索引，然后选择特定区间内的行索引，从而选取特定中间行。
第一步，添加行索引。
from pyspark.sql.functions import monotonically_increasing_id dfWithIndex = df.withColumn(“id”,monotonically_increasing_id())123
第二步，筛选特定行。
dfWithIndex.select(dfWithIndex.name, dfWithIndex.id.between(50, 100)).show()1
2、-------- 增、改 --------
— 2.1 新建数据 —
有这么两种常规的新建数据方式：createDataFrame、.toDF()
sqlContext.createDataFrame(pd.dataframe())1
是把pandas的dataframe转化为spark.dataframe格式，所以可以作为两者的格式转化
from pyspark.sql import Row
row = Row("spe_id", "InOther")
x = ['x1','x2']
y = ['y1','y2']
new_df = sc.parallelize([row(x[i], y[i]) for i in range(2)]).toDF()12345
Row代表的是该数据集的列名。
— 2.2 新增数据列 withColumn—
withColumn是通过添加或替换与现有列有相同的名字的列，返回一个新的DataFrame
result3.withColumn('label', 0)1
或者案例
train.withColumn('Purchase_new', train.Purchase /2.0).select('Purchase','Purchase_new').show(5)
Output:
+--------+------------+
|Purchase|Purchase_new|
+--------+------------+
| 8370| 4185.0|
| 15200| 7600.0|
| 1422| 711.0|
| 1057| 528.5|
| 7969| 3984.5|
+--------+------------+
only showing top 5 rows123456789101112
**报错：**AssertionError: col should be Column，一定要指定某现有列
有两种方式可以实现：
一种方式通过functions
from pyspark.sql import functions
result3 = result3.withColumn('label', functions.lit(0))12
但是！！ 如何新增一个特别List??(参考：王强的知乎回复)
python中的list不能直接添加到dataframe中，需要先将list转为新的dataframe,然后新的dataframe和老的dataframe进行join操作, 下面的例子会先新建一个dataframe，然后将list转为dataframe，然后将两者join起来。
from pyspark.sql.functions import lit
df = sqlContext.createDataFrame(
[(1, "a", 23.0), (3, "B", -23.0)], ("x1", "x2", "x3"))
from pyspark.sql.functions import monotonically_increasing_id
df = df.withColumn("id", monotonically_increasing_id())
df.show()
+---+---+-----+---+
| x1| x2| x3| id|
+---+---+-----+---+
| 1| a| 23.0| 0|
| 3| B|-23.0| 1|
+---+---+-----+---+
from pyspark.sql import Row
l = ['jerry', 'tom']
row = Row("pid", "name")
new_df = sc.parallelize([row(i, l[i]) for i in range(0,len(l))]).toDF()
new_df.show()
+---+-----+
|pid| name|
+---+-----+
| 0|jerry|
| 1| tom|
+---+-----+
join_df = df.join(new_df, df.id==new_df.pid)
join_df.show()
+---+---+-----+---+---+-----+
| x1| x2| x3| id|pid| name|
+---+---+-----+---+---+-----+
| 1| a| 23.0| 0| 0|jerry|
| 3| B|-23.0| 1| 1| tom|
+---+---+-----+---+---+-----+1234567891011121314151617181920212223242526272829303132
#####**坑啊！！！**其中，monotonically_increasing_id()生成的ID保证是单调递增和唯一的，但不是连续的。
所以，有可能，单调到1-140000，到了第144848个，就变成一长串：8845648744563，所以千万要注意！！
另一种方式通过另一个已有变量：
result3 = result3.withColumn('label', df.result*0 )1
修改原有df[“xx”]列的所有值：
df = df.withColumn(“xx”, 1)1
修改列的类型（类型投射）：
df = df.withColumn("year2", df["year1"].cast("Int"))1
修改列名
jdbcDF.withColumnRenamed( "id" , "idx" )1
— 2.3 过滤数据—
#####过滤数据（filter和where方法相同）：
df = df.filter(df['age']>21) df = df.where(df['age']>21)12
多个条件jdbcDF .filter(“id = 1 or c1 = ‘b’” ).show()
#####对null或nan数据进行过滤：
from pyspark.sql.functions import isnan, isnull
df = df.filter(isnull("a")) # 把a列里面数据为null的筛选出来（代表python的None类型）
df = df.filter(isnan("a")) # 把a列里面数据为nan的筛选出来（Not a Number，非数字数据）123
新增-isin()
参考：
PySpark：使用isin过滤返回空数据框
[pyspark 实践汇总2]（https://blog.csdn.net/yepeng2007fei/article/details/78874306）
有两个数据集，从data_1中抽取出data_2中的相同的元素
可行的方式： df_ori_part = df_ori[df_ori['user_pin'].isin(list(df_1['user_pin']))] df_ori_part = df_ori.filter(df_ori['user_pin'].isin(list(df_1['user_pin'])) == True ) 不可行： df_ori_part = df_ori.filter(~df_ori['user_pin'].isin(list(df_1['user_pin'])) )123456
3、-------- 合并 join / union --------
3.1 横向拼接rbind
result3 = result1.union(result2) jdbcDF.unionALL(jdbcDF.limit(1)) # unionALL12
— 3.2 Join根据条件 —
单字段Join
合并2个表的join方法：
df_join = df_left.join(df_right, df_left.key == df_right.key, "inner")1
其中，方法可以为：inner, outer, left_outer, right_outer, leftsemi.
其中注意，一般需要改为：left_outer
多字段join
joinDF1.join(joinDF2, Seq("id", "name")）1
混合字段
joinDF1.join(joinDF2 , joinDF1("id" ) === joinDF2( "t1_id"))1
跟pandas 里面的left_on,right_on
— 3.2 求并集、交集 —
来看一个例子，先构造两个dataframe：
sentenceDataFrame = spark.createDataFrame((
(1, "asf"),
(2, "2143"),
(3, "rfds")
)).toDF("label", "sentence")
sentenceDataFrame.show()
sentenceDataFrame1 = spark.createDataFrame((
(1, "asf"),
(2, "2143"),
(4, "f8934y")
)).toDF("label", "sentence")123456789101112
# 差集
newDF = sentenceDataFrame1.select("sentence").subtract(sentenceDataFrame.select("sentence"))
newDF.show()
+--------+
|sentence|
+--------+
| f8934y|
+--------+123456789
# 交集
newDF = sentenceDataFrame1.select("sentence").intersect(sentenceDataFrame.select("sentence"))
newDF.show()
+--------+
|sentence|
+--------+
| asf|
| 2143|
+--------+12345678910
# 并集
newDF = sentenceDataFrame1.select("sentence").union(sentenceDataFrame.select("sentence"))
newDF.show()
+--------+
|sentence|
+--------+
| asf|
| 2143|
| f8934y|
| asf|
| 2143|
| rfds|
+--------+123456789101112131415
# 并集 + 去重
newDF = sentenceDataFrame1.select("sentence").union(sentenceDataFrame.select("sentence")).distinct()
newDF.show()
+--------+
|sentence|
+--------+
| rfds|
| asf|
| 2143|
| f8934y|
+--------+123456789101112
— 3.3 分割：行转列 —
有时候需要根据某个字段内容进行分割，然后生成多行，这时可以使用explode方法
下面代码中，根据c3字段中的空格将字段内容进行分割，分割的内容存储在新的字段c3_中，如下所示
jdbcDF.explode( "c3" , "c3_" ){time: String => time.split( " " )}1
4 -------- 统计 --------
— 4.1 频数统计与筛选 ----
jdbcDF.stat.freqItems(Seq ("c1") , 0.3).show()1
根据c4字段，统计该字段值出现频率在30%以上的内容
— 4.2 分组统计—
交叉分析
train.crosstab('Age', 'Gender').show()
Output:
+----------+-----+------+
|Age_Gender| F| M|
+----------+-----+------+
| 0-17| 5083| 10019|
| 46-50|13199| 32502|
| 18-25|24628| 75032|
| 36-45|27170| 82843|
| 55+| 5083| 16421|
| 51-55| 9894| 28607|
| 26-35|50752|168835|
+----------+-----+------+12345678910111213
groupBy方法整合：
train.groupby('Age').agg({'Purchase': 'mean'}).show()
Output:
+-----+-----------------+
| Age| avg(Purchase)|
+-----+-----------------+
|51-55|9534.808030960236|
|46-50|9208.625697468327|
| 0-17|8933.464640444974|
|36-45|9331.350694917874|
|26-35|9252.690632869888|
| 55+|9336.280459449405|
|18-25|9169.663606261289|
+-----+-----------------+12345678910111213
另外一些demo：
df['x1'].groupby(df['x2']).count().reset_index(name='x1')1
分组汇总
train.groupby('Age').count().show()
Output:
+-----+------+
| Age| count|
+-----+------+
|51-55| 38501|
|46-50| 45701|
| 0-17| 15102|
|36-45|110013|
|26-35|219587|
| 55+| 21504|
|18-25| 99660|
+-----+------+12345678910111213
应用多个函数：
from pyspark.sql import functions df.groupBy(“A”).agg(functions.avg(“B”), functions.min(“B”), functions.max(“B”)).show()12
整合后GroupedData类型可用的方法（均返回DataFrame类型）： avg(*cols) —— 计算每组中一列或多列的平均值 count() —— 计算每组中一共有多少行，返回DataFrame有2列，一列为分组的组名，另一列为行总数 max(*cols) —— 计算每组中一列或多列的最大值 mean(*cols) —— 计算每组中一列或多列的平均值 min(*cols) —— 计算每组中一列或多列的最小值 sum(*cols) —— 计算每组中一列或多列的总和1234567
— 4.3 apply 函数 —
将df的每一列应用函数f：
df.foreach(f) 或者 df.rdd.foreach(f)1
将df的每一块应用函数f：
df.foreachPartition(f) 或者 df.rdd.foreachPartition(f)1
---- 4.4 【Map和Reduce应用】返回类型seqRDDs ----
map函数应用
可以参考：Spark Python API函数学习：pyspark API(1)
train.select('User_ID').rdd.map(lambda x:(x,1)).take(5)
Output:
[(Row(User_ID=1000001), 1),
(Row(User_ID=1000001), 1),
(Row(User_ID=1000001), 1),
(Row(User_ID=1000001), 1),
(Row(User_ID=1000002), 1)]1234567
其中map在spark2.0就移除了，所以只能由rdd.调用。
data.select('col').rdd.map(lambda l: 1 if l in ['a','b'] else 0 ).collect()
print(x.collect())
print(y.collect())
[1, 2, 3]
[(1, 1), (2, 4), (3, 9)]1234567
还有一种方式mapPartitions：
def _map_to_pandas(rdds): """ Needs to be here due to pickling issues """ return [pd.DataFrame(list(rdds))] data.rdd.mapPartitions(_map_to_pandas).collect()12345
返回的是list。
udf 函数应用
from pyspark.sql.functions import udf
from pyspark.sql.types import StringType
import datetime
# 定义一个 udf 函数
def today(day):
if day==None:
return datetime.datetime.fromtimestamp(int(time.time())).strftime('%Y-%m-%d')
else:
return day
# 返回类型为字符串类型
udfday = udf(today, StringType())
# 使用
df.withColumn('day', udfday(df.day))12345678910111213141516
有点类似apply,定义一个 udf 方法, 用来返回今天的日期(yyyy-MM-dd):
-------- 5、删除 --------
df.drop('age').collect()
df.drop(df.age).collect()12
dropna函数：
df = df.na.drop() # 扔掉任何列包含na的行 df = df.dropna(subset=['col_name1', 'col_name2']) # 扔掉col1或col2中任一一列包含na的行123
ex:
train.dropna().count() Output: 166821123
填充NA包括fillna
train.fillna(-1).show(2) Output: +-------+----------+------+----+----------+-------------+--------------------------+--------------+------------------+------------------+------------------+--------+ |User_ID|Product_ID|Gender| Age|Occupation|City_Category|Stay_In_Current_City_Years|Marital_Status|Product_Category_1|Product_Category_2|Product_Category_3|Purchase| +-------+----------+------+----+----------+-------------+--------------------------+--------------+------------------+------------------+------------------+--------+ |1000001| P00069042| F|0-17| 10| A| 2| 0| 3| -1| -1| 8370| |1000001| P00248942| F|0-17| 10| A| 2| 0| 1| 6| 14| 15200| +-------+----------+------+----+----------+-------------+--------------------------+--------------+------------------+------------------+------------------+--------+ only showing top 2 rows123456789
-------- 6、去重 --------
6.1 distinct：返回一个不包含重复记录的DataFrame
返回当前DataFrame中不重复的Row记录。该方法和接下来的dropDuplicates()方法不传入指定字段时的结果相同。
示例：
jdbcDF.distinct()1
6.2 dropDuplicates：根据指定字段去重
根据指定字段去重。类似于select distinct a, b操作
示例：
train.select('Age','Gender').dropDuplicates().show()
Output:
+-----+------+
| Age|Gender|
+-----+------+
|51-55| F|
|51-55| M|
|26-35| F|
|26-35| M|
|36-45| F|
|36-45| M|
|46-50| F|
|46-50| M|
| 55+| F|
| 55+| M|
|18-25| F|
| 0-17| F|
|18-25| M|
| 0-17| M|
+-----+------+123456789101112131415161718192021
-------- 7、 格式转换 --------
pandas-spark.dataframe互转
Pandas和Spark的DataFrame两者互相转换：
pandas_df = spark_df.toPandas() spark_df = sqlContext.createDataFrame(pandas_df)12
转化为pandas，但是该数据要读入内存，如果数据量大的话，很难跑得动
两者的异同：
Pyspark DataFrame是在分布式节点上运行一些数据操作，而pandas是不可能的；
Pyspark DataFrame的数据反映比较缓慢，没有Pandas那么及时反映；
Pyspark DataFrame的数据框是不可变的，不能任意添加列，只能通过合并进行；
pandas比Pyspark DataFrame有更多方便的操作以及很强大
转化为RDD
与Spark RDD的相互转换：
rdd_df = df.rdd df = rdd_df.toDF()12
-------- 8、SQL操作 --------
DataFrame注册成SQL的表：
df.createOrReplaceTempView("TBL1")1
进行SQL查询（返回DataFrame）：
conf = SparkConf()
ss = SparkSession.builder.appName("APP_NAME").config(conf=conf).getOrCreate()
df = ss.sql(“SELECT name, age FROM TBL1 WHERE age >= 13 AND age <= 19″)1234
-------- 9、读写csv --------
在Python中，我们也可以使用SQLContext类中 load/save函数来读取和保存CSV文件：
from pyspark.sql import SQLContext
sqlContext = SQLContext(sc)
df = sqlContext.load(source="com.databricks.spark.csv", header="true", path = "cars.csv")
df.select("year", "model").save("newcars.csv", "com.databricks.spark.csv",header="true")1234
其中，header代表是否显示表头。
其中主函数：
save(path=None, format=None, mode=None, partitionBy=None, **options)[source]1
Parameters:
path – the path in a Hadoop supported file system
format – the format used to save
mode –
specifies the behavior of the save operation when data already
exists.append: Append contents of this DataFrame to existing data.
overwrite: Overwrite existing data.
ignore: Silently ignore this operation if data already exists.
error (default case): Throw an exception if data already exists.
partitionBy – names of partitioning columns
options – all other string options
延伸一：去除两个表重复的内容
场景是要，依据B表与A表共有的内容，需要去除这部分共有的。
使用的逻辑是merge两张表，然后把匹配到的删除即可。
from pyspark.sql import functions
def LeftDeleteRight(test_left,test_right,left_col = 'user_pin',right_col = 'user_pin'):
print('right data process ...')
columns_right = test_right.columns
test_right = test_right.withColumn('user_pin_right', test_right[right_col])
test_right = test_right.withColumn('notDelete', functions.lit(0))
# 删除其余的
for col in columns_right:
test_right = test_right.drop(col)
# 合并
print('rbind left and right data ...')
test_left = test_left.join(test_right, test_left[left_col] == test_right['user_pin_right'], "left")
test_left = test_left.fillna(1)
test_left = test_left.where('notDelete =1')
# 去掉多余的字段
for col in ['user_pin_right','notDelete']:
test_left = test_left.drop(col)
return test_left
%time test_left = LeftDeleteRight(test_b,test_a,left_col = 'user_pin',right_col = 'user_pin')1234567891011121314151617181920
延伸二：报错
Job aborted due to stage failure: Task 3 in stage 0.0 failed 4 times, most recent failure: Lost task 3.3 in12
解决方案
这里遇到的问题主要是因为数据源数据量过大，而机器的内存无法满足需求，导致长时间执行超时断开的情况，数据无法有效进行交互计算，因此有必要增加内存