前言
上一篇文章中讲了如何在windows下安装和检测: pyspark,同时简单介绍了运行的环境。本文想就我的一些学习经验,分享一下使用pyspark来处理csv文件上的一些常用的pyspark语法。
一、准备工作和数据的导入选择
运行python代码,第一件事当然是导入对应的包,同时我们要为spark先创建好相应的环境,并且,spark中支持SQL,而且在SQL中有众多的函数,因此我们可以创建SparkSession对象,为了后续SQL函数的调用,我们要导入functions包,以及数据类型转换的时候,我们要导入types的包。
import pyspark
from pyspark.sql import SparkSession
from pyspark.sql.types import *
from pyspark.sql.functions import *
from pyspark.sql.types import TimestampType
spark = SparkSession.builder.getOrCreate()
sc = spark.sparkContext
1.1 导入数据
将csv文件导入为Dataframe样式:header表示是否需要导入表头;inferSchema表示是否需要推导出数据的类型(false默认为string);delimiter表示指定分隔符进行读取。file对应文件的位置。
df1 = spark.read.options(header='True', inferSchema='True', delimiter=',').csv(file)
1.2 选择数据子集:
drop中填入不需要的列的列名。
df2 = df1.drop('列名')
1.3 列名重命名
df3=df2.withColumnRenamed("original name", "modified name")
如果有多个列的列名要进行修改,可以直接在后面再加上withColumnRenamed()进行修改
二、数据清洗
因为数据本身的问题,在处理的过程中需要我们对一些空值、异常值等进行处理。但是此次作业获取到的数据中主要是对空值的处理,因此对于异常值的处理不进行讨论
2.1 检测空值数量
df3.toPandas().isnull().sum()
2.2 删除存在空值的行
对于一些关键列的数据丢失、或是该行的缺失值占比较高的情况下,我们很难将人工将其弥补,因此直接对该行进行删除。
df_clear=df3.dropna(subset='列名')
2.3 forward,backward填充
forward: 前面一个值填充后面
backward:后面一个值填充前面
代码示例:
df = spark.createDataFrame([
(1, 'd1',None),
(1, 'd2',10),
(1, 'd3',None),
(1, 'd4',30),
(1, 'd5',None),
(1, 'd6',None),
],('id', 'day','temperature'))
df.show()
运行结果如下:
id | day | temperature |
---|---|---|
1 | d1 | null |
1 | d2 | 10 |
1 | d3 | null |
1 | d4 | 30 |
1 | d5 | null |
1 | d6 | null |
from pyspark.sql.window import Window
forward = Window.partitionBy('id').orderBy('day').rowsBetween(
Window.unboundedPreceding, Window.currentRow)
backward = Window.partitionBy('id').orderBy('day').rowsBetween(
Window.currentRow, Window.unboundedFollowing)
df.withColumn('forward_fill', last('temperature', ignorenulls=True).over(forward))\
.withColumn('backward_fill', first('temperature', ignorenulls=True).over(backward))\
.show()
填充后的结果如下表所示:
id | day | temperature | forward_fill | backward_fill |
---|---|---|---|---|
1 | d1 | null | null | 10 |
1 | d2 | 10 | 10 | 10 |
1 | d3 | null | 10 | 30 |
1 | d4 | 30 | 30 | 30 |
1 | d5 | null | 30 | null |
1 | d6 | null | 30 | null |
Window.unboundedPreceding:分区的开始位置
Window.currentRow:分区计算到现在的位置
Window.unboundedFollowing:分区的最后位置。
负数:表示若前面有元素,范围向前延申几个元素
0:表示当前位置,等价于Window.currentRow
正数:表示若后面有元素,范围向后延申几个元素
三、 数据处理
3.1 数据筛选
data1= df_clear.filter(df_clear['column'] == 'attribute') # 条件过滤
data2 = df_clear.select('column') # 选择某一列的数据
3.2 数据统计
# 输出树状结构(输出列名、数据类型和是否能为空值)
df_clear.printSchema()
# 将该列数据进行汇总统计
df_clear.select('column').describe().show()
# 求平均,按照id的方式进行统计
ave_column = df_clear.groupBy('id').agg({'column': 'mean'})
agg({“列名”,“函数名”})为聚合函数,其中有:文章来源:https://www.toymoban.com/news/detail-401028.html
函数名 | 作用 |
---|---|
avg | 求均值 |
count | 计数 |
max | 求最大值 |
mean | 求均值 |
min | 求最小值 |
sum | 求和 |
3.3 数据类型转换
from pyspark.sql.functions import *
# 转换为Int类型
df_clear.withColumn("column",df.age.cast('int'))
# 转换为String类型
df_clear.withColumn("column",df.age.cast('string'))
# 转换为Data类型
df_clear= df_clear.withColumn('column', to_date(df_clear['column']))
# 转换为TimestampType类型
dfTime=df_clear.withColumn('column',F.col('column').cast(TimestampType()))
3.4 采用SQL语法进行处理
df_sql_cf=df_clear.createOrReplaceTempView("carflow")
spark.sql("select * from carflow\
where sum_Total_CF=\
(select max(sum_Total_CF) from carflow)").show()
四、数据导出
# ascending表示是否为升序,默认为True
df_clear_asc= df_clear.orderBy("column",ascending=False)
# 将对应的数据类型转化为list,再导出为csv文件
df_asc= df_clear_asc.select(F.collect_list('column')).first()[0]
df_asc.select("col1","col2","col3").toPandas().to_csv("total.csv")
总结
由于此次学习仅用于完成课堂大作业,因此有不足之处还望各位大佬在评论区制指正,若是能够为你们提供一点小小的帮助,希望各位大佬们能动动手指,给小弟一个赞!感谢各位大佬们!
该作业的处理的源代码和相关数据已经传至github文章来源地址https://www.toymoban.com/news/detail-401028.html
到了这里,关于pyspark基础学习——数据处理的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!