基于pyspark创建DataFrame的几种方法

秒速五厘米 2023-07-15 13:18 20阅读 0赞

### 基于pyspark创建DataFrame的几种方法 ###

*   *  pyspark创建DataFrame
     *   *  RDD和DataFrame
         *  使用二元组创建DataFrame
         *  使用键值对创建DataFrame
         *  使用rdd创建DataFrame
         *  基于rdd和ROW创建DataFrame
         *  基于rdd和StructType创建DataFrame
         *  基于pandas DataFrame创建pyspark DataFrame
         *  创建有序的DataFrame
         *  通过临时表得到DataFrame
     *  配置DataFrame和临时表
     *   *  创建DataFrame时指定列类型
         *  注册DataFrame为临时表
         *  获取和修改配置
         *  注册自定义函数
         *  查看临时表列表
     *  从其他数据源创建DataFrame
     *   *  MySQL
     *  参考

## pyspark创建DataFrame ##

为了便于操作，使用pyspark时我们通常将数据转为DataFrame的形式来完成清洗和分析动作。

### RDD和DataFrame ###

在上一篇[pyspark基本操作][pyspark]有提到RDD也是spark中的操作的分布式数据对象。  
这里简单看一下RDD和DataFrame的类型。

print(type(rdd))  # <class 'pyspark.rdd.RDD'>
    print(type(df))   # <class 'pyspark.sql.dataframe.DataFrame'>

翻阅了一下源码的定义，可以看到他们之间并没有继承关系。

class RDD(object):
    
        """
        A Resilient Distributed Dataset (RDD), the basic abstraction in Spark.
        Represents an immutable, partitioned collection of elements that can be
        operated on in parallel.
        """

class DataFrame(object):
        """A distributed collection of data grouped into named columns.
    
        A :class:`DataFrame` is equivalent to a relational table in Spark SQL,
        and can be created using various functions in :class:`SparkSession`::
    	...
        """

RDD是一种弹性分布式数据集，Spark中的基本抽象。表示一种不可变的、分区储存的集合，可以进行并行操作。  
DataFrame是一种以列对数据进行分组表达的分布式集合， DataFrame等同于Spark SQL中的关系表。相同点是，他们都是为了支持分布式计算而设计。  
但是RDD只是元素的集合，但是DataFrame以列进行分组，类似于MySQL的表或pandas中的DataFrame。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zOTE5ODQwNg_size_16_color_FFFFFF_t_70]  
实际工作中，我们用的更多的还是DataFrame。

### 使用二元组创建DataFrame ###

尝试第一种情形发现，仅仅传入二元组，结果是没有列名称的。  
于是我们尝试第二种，同时传入二元组和列名称。

a = [('Alice', 1)]
    output = spark.createDataFrame(a).collect()
    print(output)
    # [Row(_1='Alice', _2=1)]
    
    output = spark.createDataFrame(a, ['name', 'age']).collect()
    print(output)
    # [Row(name='Alice', age=1)]

这里collect()是按行展示数据表，也可以使用show()对数据表进行展示。

spark.createDataFrame(a).show()
    # +-----+---+
    # |   _1| _2|
    # +-----+---+
    # |Alice|  1|
    # +-----+---+
    
    spark.createDataFrame(a, ['name', 'age']).show()
    # +-----+---+
    # | name|age|
    # +-----+---+
    # |Alice|  1|
    # +-----+---+

### 使用键值对创建DataFrame ###

d = [{
        'name': 'Alice', 'age': 1}]
    output = spark.createDataFrame(d).collect()
    print(output)
    
    # [Row(age=1, name='Alice')]

### 使用rdd创建DataFrame ###

a = [('Alice', 1)]
    rdd = sc.parallelize(a)
    output = spark.createDataFrame(rdd).collect()
    print(output)
    output = spark.createDataFrame(rdd, ["name", "age"]).collect()
    print(output)
    
    # [Row(_1='Alice', _2=1)]
    # [Row(name='Alice', age=1)]

### 基于rdd和ROW创建DataFrame ###

from pyspark.sql import Row
    
    
    a = [('Alice', 1)]
    rdd = sc.parallelize(a)
    Person = Row("name", "age")
    person = rdd.map(lambda r: Person(*r))
    output = spark.createDataFrame(person).collect()
    print(output)
    
    # [Row(name='Alice', age=1)]

### 基于rdd和StructType创建DataFrame ###

from pyspark.sql.types import *
    
    a = [('Alice', 1)]
    rdd = sc.parallelize(a)
    schema = StructType(
        [
            StructField("name", StringType(), True),
            StructField("age", IntegerType(), True)
        ]
    )
    output = spark.createDataFrame(rdd, schema).collect()
    print(output)
    
    # [Row(name='Alice', age=1)]

### 基于pandas DataFrame创建pyspark DataFrame ###

df.toPandas()可以把pyspark DataFrame转换为pandas DataFrame。

df = spark.createDataFrame(rdd, ['name', 'age'])
    print(df)  # DataFrame[name: string, age: bigint]
    
    print(type(df.toPandas()))  # <class 'pandas.core.frame.DataFrame'>
    
    # 传入pandas DataFrame
    output = spark.createDataFrame(df.toPandas()).collect()
    print(output)
    
    # [Row(name='Alice', age=1)]

### 创建有序的DataFrame ###

output = spark.range(1, 7, 2).collect()
    print(output)
    # [Row(id=1), Row(id=3), Row(id=5)]
    
    output = spark.range(3).collect()
    print(output)
    # [Row(id=0), Row(id=1), Row(id=2)]

### 通过临时表得到DataFrame ###

spark.registerDataFrameAsTable(df, "table1")
    df2 = spark.table("table1")
    b = df.collect() == df2.collect()
    print(b)
    # True

## 配置DataFrame和临时表 ##

### 创建DataFrame时指定列类型 ###

在createDataFrame中可以指定列类型，只保留满足数据类型的列，如果没有满足的列，会抛出错误。

a = [('Alice', 1)]
    rdd = sc.parallelize(a)
    
    # 指定类型于预期数据对应时，正常创建
    output = spark.createDataFrame(rdd, "a: string, b: int").collect()
    print(output)  # [Row(a='Alice', b=1)]
    rdd = rdd.map(lambda row: row[1])
    print(rdd)  # PythonRDD[7] at RDD at PythonRDD.scala:53
    
    # 只有int类型对应上，过滤掉其他列。
    output = spark.createDataFrame(rdd, "int").collect()
    print(output)   # [Row(value=1)]
    
    # 没有列能对应上，会抛出错误。
    output = spark.createDataFrame(rdd, "boolean").collect()
    # TypeError: field value: BooleanType can not accept object 1 in type <class 'int'>

### 注册DataFrame为临时表 ###

spark.registerDataFrameAsTable(df, "table1")
    spark.dropTempTable("table1")

### 获取和修改配置 ###

print(spark.getConf("spark.sql.shuffle.partitions"))  # 200
    print(spark.getConf("spark.sql.shuffle.partitions", u"10"))  # 10
    print(spark.setConf("spark.sql.shuffle.partitions", u"50"))  # None
    print(spark.getConf("spark.sql.shuffle.partitions", u"10"))  # 50

### 注册自定义函数 ###

spark.registerFunction("stringLengthString", lambda x: len(x))
    output = spark.sql("SELECT stringLengthString('test')").collect()
    print(output)
    # [Row(stringLengthString(test)='4')]
    
    spark.registerFunction("stringLengthString", lambda x: len(x), IntegerType())
    output = spark.sql("SELECT stringLengthString('test')").collect()
    print(output)
    # [Row(stringLengthString(test)=4)]
    
    spark.udf.register("stringLengthInt", lambda x: len(x), IntegerType())
    output = spark.sql("SELECT stringLengthInt('test')").collect()
    print(output)
    # [Row(stringLengthInt(test)=4)]

### 查看临时表列表 ###

可以查看所有临时表名称和对象。

spark.registerDataFrameAsTable(df, "table1")
    print(spark.tableNames())  # ['table1']
    print(spark.tables())  # DataFrame[database: string, tableName: string, isTemporary: boolean]
    print("table1" in spark.tableNames())  # True
    print("table1" in spark.tableNames("default"))  # True
    
    spark.registerDataFrameAsTable(df, "table1")
    df2 = spark.tables()
    df2.filter("tableName = 'table1'").first()
    print(df2)  # DataFrame[database: string, tableName: string, isTemporary: boolean]

## 从其他数据源创建DataFrame ##

### MySQL ###

前提是需要下载jar包。  
[Mysql-connector-java.jar][]

from pyspark import SparkContext
    from pyspark.sql import SQLContext
    import pyspark.sql.functions as F
    
    
    sc = SparkContext("local", appName="mysqltest")
    sqlContext = SQLContext(sc)
    df = sqlContext.read.format("jdbc").options(
        url="jdbc:mysql://localhost:3306/mydata?user=root&password=mysql&"
            "useUnicode=true&characterEncoding=utf-8&useJDBCCompliantTimezoneShift=true&"
            "useLegacyDatetimeCode=false&serverTimezone=UTC ", dbtable="detail_data").load()
    df.show(n=5)
    sc.stop()

## 参考 ##

[RDD和DataFrame的区别][RDD_DataFrame]  
[spark官方文档 翻译 之pyspark.sql.SQLContext][spark_ _ _pyspark.sql.SQLContext]

[pyspark]: https://blog.csdn.net/weixin_39198406/article/details/104798681
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zOTE5ODQwNg_size_16_color_FFFFFF_t_70]: /images/20230528/1723d2fbbad44394b02a2f0fd33d9c85.png
[Mysql-connector-java.jar]: https://mvnrepository.com/artifact/mysql/mysql-connector-java/6.0.6
[RDD_DataFrame]: https://www.jianshu.com/p/8852dfb05716
[spark_ _ _pyspark.sql.SQLContext]: https://www.cnblogs.com/nshuai/articles/5726678.html