PySpark操做

基本操做：

 

運行時獲取spark版本號（以spark 2.0.0爲例）：

sparksn = SparkSession.builder.appName("PythonSQL").getOrCreate() print sparksn.version

 

獲取spark配置狀況（crossJoin等等）：

df = spark.sql("SET -v") df.show()

 

顯示每列的全部內容，不刪減內容顯示，show每列全部內容

df.show(truncate=False)

 

建立和轉換格式：

 

Pandas和Spark的DataFrame二者互相轉換：

pandas_df = spark_df.toPandas()

spark_df = sqlContext.createDataFrame(pandas_df)

 

與Spark RDD的相互轉換：

rdd_df = df.rdd

df = rdd_df.toDF()

注：rdd轉df前提是每一個rdd的類型都是Row類型

 

 

增：

 

新增列：

df.withColumn(「xx」, 0).show() 會報錯，由於原來沒有xx列   from pyspark.sql import functions df = df.withColumn(「xx」, functions.lit(0)).show()

 

fillna函數：

df.na.fill()

 

以原有列爲基礎添加列：

df = df.withColumn('count20', df["count"] - 20)  # 新列爲原有列的數據減去20

 

增長序列標籤：

df.rdd.zipWithIndex()

參考資料：stackoverflow

 

刪：

 

刪除一列：

df.drop('age').collect() df.drop(df.age).collect()

 

dropna函數：

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

 

 

改：

 

修改原有df[「xx」]列的全部值：

df = df.withColumn(「xx」, 1)

 

修改列的類型（類型投射）：

df = df.withColumn("year2", df["year1"].cast("Int"))

 

合併2個表的join方法：

df_join = df_left.join(df_right, df_left.key == df_right.key, "inner")

其中，方法能夠爲：`inner`, `outer`, `left_outer`, `right_outer`, `leftsemi`.

 

groupBy方法整合：

GroupedData = df.groupBy(「age」) 應用單個函數（按照A列同名的進行分組，組內對B列進行均值計算來合併）： df.groupBy(「A」).avg(「B」).show()   應用多個函數： from pyspark.sql import functions df.groupBy(「A」).agg(functions.avg(「B」), functions.min(「B」), functions.max(「B」)).show()

整合後GroupedData類型可用的方法（均返回DataFrame類型）：

avg(*cols)     ——   計算每組中一列或多列的平均值

count()          ——   計算每組中一共有多少行，返回DataFrame有2列，一列爲分組的組名，另外一列爲行總數

max(*cols)    ——   計算每組中一列或多列的最大值

mean(*cols)  ——  計算每組中一列或多列的平均值

min(*cols)     ——  計算每組中一列或多列的最小值

sum(*cols)    ——   計算每組中一列或多列的總和

 

【函數應用】將df的每一列應用函數f：

df.foreach(f) 或者 df.rdd.foreach(f)

 

【函數應用】將df的每一塊應用函數f：

df.foreachPartition(f) 或者 df.rdd.foreachPartition(f)

 

【Map和Reduce應用】返回類型seqRDDs

df.map(func) df.reduce(func)

 

解決toDF()跑出First 100 rows類型沒法肯定的異常，能夠採用將Row內每一個元素都統一轉格式，或者判斷格式處理的方法，解決包含None類型時轉換成DataFrame出錯的問題：

@staticmethod     def map_convert_none_to_str(row):         dict_row = row.asDict()           for key in dict_row:             if key != 'some_column_name':                 value = dict_row[key]                 if value is None:                     value_in = str("")                 else:                     value_in = str(value)                 dict_row[key] = value_in           columns = dict_row.keys()         v = dict_row.values()         row = Row(*columns)         return row(*v)

 

 

查：

解決中文亂碼問題（python 2.7方案）

import sys reload(sys) sys.setdefaultencoding('utf-8')

 

行元素查詢操做：

像SQL那樣打印列表前20元素（show函數內可用int類型指定要打印的行數）：

df.show() df.show(30)

 

以樹的形式打印概要

df.printSchema()

 

獲取頭幾行到本地：

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), ... ...]

 

輸出list類型，list中每一個元素是Row類：

list = df.collect()

注：此方法將全部數據所有導入到本地

 

查詢總行數：

int_num = df.count()

 

查詢某列爲null的行：

from pyspark.sql.functions import isnull df = df.filter(isnull("col_a"))

 

 

列元素操做：

獲取Row元素的全部列名：

r = Row(age=11, name='Alice') print r.__fields__    #  ['age', 'name']

 

選擇一列或多列：

df.select(「name」) df.select(df[‘name’], df[‘age’]+1) df.select(df.a, df.b, df.c)    # 選擇a、b、c三列 df.select(df["a"], df["b"], df["c"])    # 選擇a、b、c三列

 

排序：

df = df.sort("age", ascending=False)

 

過濾數據（filter和where方法相同）：

df = df.filter(df['age']>21) df = df.where(df['age']>21) # 對null或nan數據進行過濾： from pyspark.sql.functions import isnan, isnull df = df.filter(isnull("a"))  # 把a列裏面數據爲null的篩選出來（表明python的None類型） df = df.filter(isnan("a"))  # 把a列裏面數據爲nan的篩選出來（Not a Number，非數字數據）

 

 

SQL操做：

DataFrame註冊成SQL的表：

df.createOrReplaceTempView("TBL1")

 

進行SQL查詢（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″)

 

對HIVE數據庫的操做：

首先，開啓對Hive數據庫支持的開關：

spark = SparkSession.builder.appName("app1").enableHiveSupport().getOrCreate()

接着，用INSERT代替write.parquet命令操做HIVE數據庫

df = spark.read.parquet(some_path) df.createOrReplaceTempView("some_df_tmp_table") sql_content= "    INSERT INTO `some_schema`.`some_hive_table`    " \                       "    SELECT a,b,c from some_df_tmp_table                   " spark.sql(sql_content)

 

 

 

時間序列操做：

 

先按某幾列分組，再按時間段分組：

from pyspark.sql.functions import window   win_monday = window("col1", "1 week", startTime="4 day") GroupedData = df.groupBy([df.col2, df.col3, df.col4, win_monday])

 

 

 

 

參考資料：

Spark與Pandas中DataFrame對比（詳細）

使用Apache Spark讓MySQL查詢速度提高10倍以上

傳統MySQL查詢（執行時間 19 min 16.58 sec）：

mysql>    SELECT     MIN(yearD),     MAX(yearD) AS max_year,     Carrier,     COUNT(*) AS cnt,     SUM(IF(ArrDelayMinutes > 30, 1, 0)) AS flights_delayed,     ROUND(SUM(IF(ArrDelayMinutes > 30, 1, 0)) / COUNT(*),2) AS rate FROM     ontime_part WHERE     DayOfWeek NOT IN (6 , 7)         AND OriginState NOT IN ('AK' , 'HI', 'PR', 'VI')         AND DestState NOT IN ('AK' , 'HI', 'PR', 'VI') GROUP BY carrier HAVING cnt > 1000 AND max_year > '1990' ORDER BY rate DESC , cnt DESC LIMIT 10;

 

使用Scala語言摘寫的Spark查詢（執行時間 2 min 19.628 sec）：

scala> val jdbcDF = spark.read.format("jdbc").options(Map("url" ->  "jdbc:mysql://localhost:3306/ontime?user=root&password=mysql",                                                    "dbtable" -> "ontime.ontime_sm",                                                         "fetchSize" -> "10000",                                                    "partitionColumn" -> "yeard",                                                    "lowerBound" -> "1988",                                                    "upperBound" -> "2015",                                                    "numPartitions" -> "48")).load() jdbcDF.createOrReplaceTempView("ontime") val sqlDF = sql("SELECT                      MIN(yearD),                      MAX(yearD) AS max_year,                      Carrier,                      COUNT(*) AS cnt,                      SUM(IF(ArrDelayMinutes > 30, 1, 0)) AS flights_delayed,                      ROUND(SUM(IF(ArrDelayMinutes > 30, 1, 0)) / COUNT(*),2) AS rate                  FROM                      ontime_part                  WHERE                      DayOfWeek NOT IN (6 , 7)                          AND OriginState NOT IN ('AK' , 'HI', 'PR', 'VI')                          AND DestState NOT IN ('AK' , 'HI', 'PR', 'VI')                  GROUP BY carrier                  HAVING cnt > 1000 AND max_year > '1990'                  ORDER BY rate DESC , cnt DESC                  LIMIT 10; ") sqlDF.show()

 

 

Spark RDD中的map、reduce等操做的概念詳解：

 

map將RDD中的每一個元素都通過map內函數處理後返回給原來的RDD，即對每一個RDD單獨處理且不影響其它和總量。屬於一對一的關係（這裏一指的是對1個RDD而言）。

 

flatMap將RDD中的每一個元素進行處理，返回一個list，list裏面能夠是1個或多個RDD，最終RDD總數會不變或變多。屬於一變多的關係（這裏一指的是對1個RDD而言）。

 

reduce將RDD中元素前兩個傳給輸入函數，產生一個新的return值，新產生的return值與RDD中下一個元素（第三個元素）組成兩個元素，再被傳給輸入函數，直到最後只有一個值爲止。屬於多變一的關係。

val c = sc.parallelize(1 to 10)

c.reduce((x, y) => x + y)//結果55

 

reduceByKey(binary_function) 

reduceByKey就是對元素爲KV對的RDD中Key相同的元素的Value進行binary_function的reduce操做，所以，Key相同的多個元素的值被reduce爲一個值，而後與原RDD中的Key組成一個新的KV對。屬於多變少的關係。

val a = sc.parallelize(List((1,2),(1,3),(3,4),(3,6)))

a.reduceByKey((x,y) => x + y).collect