pyspark笔记：读取 & 处理csv文件 （pyspark DataFrame）

pyspark cmd上的命令

1 读取文件

1.1 基本读取方式

pyspark中是惰性操作，所有变换类操作都是延迟计算的，pyspark只是记录了将要对数据集进行的操作

只有需要数据集将数据返回到 Driver 程序时（比如collect，count，show之类），所有已经记录的变换操作才会执行

注意读取出来的格式是Pyspark DataFrame，不是DataFrame，所以一些操作上是有区别的

1.1.1 format

DataFrame = spark.read.format("csv")
      .option(name,value)
      .load(path)

• format表示读取格式csv
• option就是读取csv时可选的选项
• path就是文件所在的路径

  1.1.2 csv

  DataFrame = spark.read
        .option(name,value)
        .csv(path)

  • option就是读取csv时可选的选项
  • path就是文件所在的路径

    1.1.3 读取多个文件

    使用spark.read.csv()可以读取多个csv文件

    df = spark.read.csv("path1,path2,path3")
    #读取path1，path2和path3

    df= spark.read.csv("Folder path")
    #读取Folder path里面的所有csv文件

    1.2 option 主要参数

    sep	默认, 指定单个字符分割字段和值
    encoding	默认utf-8 通过给定的编码类型进行解码
    header	默认false 是否将第一行作为列名
    schema	手动设置输出结果的类型
    inferSchema	根据数据预测数据类型 加了的话文件读取的次数是2次。 比如一列int 数据，不设置inferSchema=True的话，那么返回的类型就是string类型，设置了的话，返回类型就是int类型
    nullValues	指定在 CSV 中要视为 null 的字符串

    1.3 举例

    三种设置option的方法：

    celltable = spark.read.format("csv")
        .option("header", "true")
        .option("delimiter","\t")
        .load("xxx/test.txt")
    celltable = spark.read.format("csv")
        .options(header=True,delimiter='\t')
        .load("xxx/test.txt")
    celltable = spark.read.format("csv")
                          .load("xxx/test.txt",header=True,delimiter='\t')

    celltable = spark.read
        .option("header", "true")
        .option("delimiter","\t")
        .csv("xxx/test.txt")

    此时的celltable不会加载数据 

    1.3.1 读入多个文件（使用通配符）

    celltable = spark.read.format("csv")
        .option("header", "true")
        .option("delimiter","\t")
        .load("xxx/test_*.txt")

    2 其他主要函数

    printSchema	打印出 DataFrame /Dataset每个列的名称和数据类型 如果read的时候不手动设置schema，或者使用inferSchema的话，默认每一列的数据类型为string
    select	从DataFrame中选取部分列的数据
    	将提取出来的某一列重命名
    filter	条件查询 获得字段LAC是'307'的行 celltable.filter(celltable['LAC']=='307').show()
    dropDuplicates	去重
    groupby
    sort	排序
    first	数据的第一行
    head take	默认是提取一行（此时和first同效果） 如果有参数，那么就是提取最前面的n行 此时返回的是python的list
    limit	类似于head，只不过返回的是pyspark DataFrame
    count	行数
    collect	获取所有结点的数据
    describe	类似于pandas中的describe，不过如果需要展现结果，需要使用show()
    withColumn	修改/新增 某一列 —> ！！！注：withColumn 后返回一个新的pyspark DataFrame 所以 即使是df=df.withColumn(...) ，且之前已经df.cache过了，withColumn之后的df仍然没有cache
    withColumnRenamed	某一列重命名
    cast	将列的数据类型转化成指定列
    show	显示前多少行（默认20行，修改需要设置参数n） truncate=False——显示每一行完整的内容
    intersect	两个pyspark DATa Frame取交集
    union	两个pyspark Data Frame取并集 union 操作要求两个 DataFrame 具有相同的列数和相同的列名、列顺序
    dropna	dropna(how='any', thresh=None, subset=None) how——any’ or ‘all，全是nan再删除/只要出现nan就删除 thresh：如果有小于等于thresh个非nan值，那么删除（覆盖how） subset——只看哪几列有没有nan

    3 stat

    corr

    两列的相关系数

    4 创建pyspark DataFrame

    4.1 使用Row

    from pyspark.sql import Row
    data = [
         Row(id=1, name="Alice", age=25),
         Row(id=2, name="Bob", age=30),
         Row(id=3, name="Charlie", age=28)
    ]
    df = spark.createDataFrame(data)
    df.show()
    '''
    +---+---+-------+
    |age| id|   name|
    +---+---+-------+
    | 25|  1|  Alice|
    | 30|  2|    Bob|
    | 28|  3|Charlie|
    +---+---+-------+
    '''

    4.2 不使用Row

    employee_salary = [
        ("Ali", "Sales", 8000),
        ("Bob", "Sales", 7000),
        ("Cindy", "Sales", 7500),
        ("Davd", "Finance", 10000),
        ("Elena", "Sales", 8000),
        ("Fancy", "Finance", 12000),
        ("George", "Finance", 11000),
        ("Haffman", "Marketing", 7000),
        ("Ilaja", "Marketing", 8000),
        ("Joey", "Sales", 9000)]
     
    columns= ["name", "department", "salary"]
    df = spark.createDataFrame(data = employee_salary, schema = columns)
    df.show(truncate=False)

    参考内容：IBBD.github.io/hadoop/pyspark-csv.md at master · IBBD/IBBD.github.io · GitHub