Python技术栈与Spark交叉数据分析双向整合技术实战！

概述版权声明：本套技术专栏是作者（秦凯新）平时工作的总结和升华，通过从真实商业环境抽取案例进行总结和分享，并给出商业应用的调优建议和集群环境容量规划等内容，请持续关注本套博客。进群：960410445即可获取数十套

版权声明：本套技术专栏是作者（秦凯新）平时工作的总结和升华，通过从真实商业环境抽取案例进行总结和分享，并给出商业应用的调优建议和集群环境容量规划等内容，请持续关注本套博客。进群：960410445 即可获取数十套pdf！，如有任何学术交流，可随时联系。

Python Spark DataFrame 基础

df = spark.read.parquet('/sql/users.parquet') df.show()
+------+--------------+----------------+
| name|favorite_color|favorite_numbers|
+------+--------------+----------------+
|Alyssa| null| [3,9,15,20]|
| Ben| red| []|
+------+--------------+----------------+

Python Spark DataFrame 聚合统计

CustomerID,Genre,Age,Annual Income (k$),Spending score (1-100) 0001,Male,19,39 0002,21,81 0003,Female,20,16,6 0004,23,77 0005,31,17,40 0006,22,76
df = spark.read.csv('/sql/customers.csv',header=True)
df.printSchema()
df.show()
root
|-- CustomerID: string (nullable = true)
|-- Genre: string (nullable = true)
|-- Age: string (nullable = true)
|-- Annual Income (k$): string (nullable = true)
|-- Spending score (1-100): string (nullable = true)
+----------+------+---+------------------+----------------------+
|CustomerID| Genre|Age|Annual Income (k$)|Spending score (1-100)|
+----------+------+---+------------------+----------------------+
| 0001| Male| 19| 15| 39|
| 0002| Male| 21| 15| 81|
| 0003|Female| 20| 16| 6|
| 0004|Female| 23| 16| 77|
| 0005|Female| 31| 17| 40|
| 0006|Female| 22| 17| 76|
| 0007|Female| 35| 18| 6|
| 0008|Female| 23| 18| 94|
| 0009| Male| 64| 19| 3|
| 0010|Female| 30| 19| 72|
| 0011| Male| 67| 19| 14|
| 0012|Female| 35| 19| 99|
| 0013|Female| 58| 20| 15|
| 0014|Female| 24| 20| 77|
| 0015| Male| 37| 20| 13|
| 0016| Male| 22| 20| 79|
| 0017|Female| 35| 21| 35|
| 0018| Male| 20| 21| 66|
| 0019| Male| 52| 23| 29|
| 0020|Female| 35| 23| 98|
+----------+------+---+------------------+----------------------+
df.agg({"Age": "max","Annual Income (k$)":"mean","Spending score (1-100)":"mean"}).show()
+---------------------------+-----------------------+--------+
|avg(Spending score (1-100))|avg(Annual Income (k$))|max(Age)|
+---------------------------+-----------------------+--------+
| 50.2| 60.56| 70|
+---------------------------+-----------------------+--------+

alias(alias)为DataFrame定义一个别名,稍后再函数中就可以利用这个别名来做相关的运 算，例如说自关联Join:

df1 = df.alias('cus1') type(df1) df2 = df.alias('cus2') df3 = df1.join(df2,col('cus1.CustomerID')==col('cus2.CustomerID'),'inner') df3.count()
200
+----------+------+---+------------------+----------------------+----------+------+---+------------------+----------------------+
|CustomerID| Genre|Age|Annual Income (k$)|Spending score (1-100)|CustomerID| Genre|Age|Annual Income (k$)|Spending score (1-100)|
+----------+------+---+------------------+----------------------+----------+------+---+------------------+----------------------+
| 0001| Male| 19| 15| 39| 0001| Male| 19| 15| 39|
| 0002| Male| 21| 15| 81| 0002| Male| 21| 15| 81|
| 0003|Female| 20| 16| 6| 0003|Female| 20| 16| 6|
| 0004|Female| 23| 16| 77| 0004|Female| 23| 16| 77|
| 0005|Female| 31| 17| 40| 0005|Female| 31| 17| 40|
| 0006|Female| 22| 17| 76| 0006|Female| 22| 17| 76|
| 0007|Female| 35| 18| 6| 0007|Female| 35| 18| 6|
| 0008|Female| 23| 18| 94| 0008|Female| 23| 18| 94|
| 0009| Male| 64| 19| 3| 0009| Male| 64| 19| 3|
| 0010|Female| 30| 19| 72| 0010|Female| 30| 19| 72|
+----------+------+---+------------------+----------------------+----------+------+---+------------------+----------------------+
only showing top 10 rows

cache()，将DataFrame缓存到StorageLevel对应的缓存级别中，默认是 MEMORY_AND_disK

df = spark.read.csv('/sql/customers.csv',header=True) a = df.cache() a.show()
+----------+------+---+------------------+----------------------+
|CustomerID| Genre|Age|Annual Income (k$)|Spending score (1-100)|
+----------+------+---+------------------+----------------------+
| 0001| Male| 19| 15| 39|
| 0002| Male| 21| 15| 81|
| 0003|Female| 20| 16| 6|
| 0004|Female| 23| 16| 77|
| 0005|Female| 31| 17| 40|
| 0006|Female| 22| 17| 76|
| 0007|Female| 35| 18| 6|
| 0008|Female| 23| 18| 94|
| 0009| Male| 64| 19| 3|
| 0010|Female| 30| 19| 72|
| 0011| Male| 67| 19| 14|
| 0012|Female| 35| 19| 99|

checkpoint(eager=True) 对DataFrame设置断点，这个方法是Spark2.1引入的方法，这个方法的调用会斩断在这个 DataFrame上的逻辑执行计划，将前后的依赖关系持久化到checkpoint文件中去。

sc sc.setCheckpointDir('/datas/checkpoint') a.checkpoint() a.show()

coalesce(numPartitions) 重分区算法，传入的参数是DataFrame的分区数量。

注意通过read方法读取文件，创建的DataFrame默认的分区数为文件的个数，即一个文件对 应一个分区，在分区数少于coalesce指定的分区数的时候，调用coalesce是不起作用的
df = spark.read.csv('/sql/customers.csv',header=True)
df.rdd.getNumPartitions()
1
spark.read.csv('/sql/customers.csv',header=True).coalesce(3).rdd.getNumPartitions()
1
df = spark.range(0,2,3)
df.rdd.getNumPartitions()
df.coalesce(2).rdd.getNumPartitions()
2

repartition(numPartitions,*cols)这个方法和coalesce(numPartitions) 方法一样，都是 对DataFrame进行重新的分区，但是repartition这个方法会使用hash算法，在整个集群中进 行shuffle，效率较低。repartition方法不仅可以指定分区数，还可以指定按照哪些列来做分 区。

df = spark.read.csv('/sql/customers.csv',header=True) df.rdd.getNumPartitions() 1
df2 = df.repartition(3)
df2.rdd.getNumPartitions()
3
df2.columns
df3 = df2.repartition(6,'Genre')
df3.show(20)
+----------+------+---+------------------+----------------------+
|CustomerID| Genre|Age|Annual Income (k$)|Spending score (1-100)|
+----------+------+---+------------------+----------------------+
| 0003|Female| 20| 16| 6|
| 0004|Female| 23| 16| 77|
| 0005|Female| 31| 17| 40|
| 0006|Female| 22| 17| 76|
| 0007|Female| 35| 18| 6|
| 0008|Female| 23| 18| 94|
| 0010|Female| 30| 19| 72|
| 0012|Female| 35| 19| 99|
| 0013|Female| 58| 20| 15|
df3.rdd.getNumPartitions()
6

colRegex(colname)用正则表达式的方式返回我们想要的列。

df = spark.createDataFrame([("a",1),("b",2),("c",3)],["Col1","a"]) df.select(df.colRegex("`(Col1)?+.+`")).show() +---+ | a| +---+ | 1| | 2| | 3| +---+

collect()，返回DataFrame中的所有数据，注意数据量大了容易造成Driver节点内存溢 出！

df = spark.createDataFrame([("a","a"]) df.collect() [Row(Col1='a',a=1),Row(Col1='b',a=2),Row(Col1='c',a=3)]

columns,以列表的形式返回DataFrame的所有列名

df = spark.read.csv('/sql/customers.csv',header=True) df.columns
df = spark.read.csv('/sql/customers.csv',header=True)
df.columns
['CustomerID','Genre','Age','Annual Income (k$)','Spending score (1-100)']

Sparksql DataFrame 转换为 PandasDataFrame

df = spark.read.csv('/sql/customers.csv',header=True) pdf = df.topandas() pdf.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 200 entrIEs,0 to 199
Data columns (total 5 columns):
CustomerID 200 non-null object
Genre 200 non-null object
Age 200 non-null object
Annual Income (k$) 200 non-null object
Spending score (1-100) 200 non-null object
dtypes: object(5)
memory usage: 7.9+ KB
pdf['Age'] = pdf['Age'].astype('int')
pdf["Annual Income (k$)"]=pdf["Annual Income (k$)"].astype('int')
pdf["Spending score (1-100)"]=pdf["Spending score (1-100)"].astype('int')
pdf.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 200 entrIEs,0 to 199
Data columns (total 5 columns):
CustomerID 200 non-null object
Genre 200 non-null object
Age 200 non-null int64
Annual Income (k$) 200 non-null int64
Spending score (1-100) 200 non-null int64
dtypes: int64(3),object(2)
memory usage: 7.9+ KB

PandasDataFrame 转换为 Sparksql DataFrame

df1 = spark.createDataFrame(pdf) df1.corr("Age","Annual Income (k$)") df1.corr("Spending score (1-100)","Annual Income (k$)")
0.009902848094037492

count()返回DataFrame中Row的数量

df = spark.read.csv('/sql/customers.csv',header=True) df.count()
200

createGlobalTempVIEw(name)使用DataFrame创建一个全局的临时表，其生命周期 和启动的app的周期一致，即启动的spark应用存在则这个临时的表就一直能访问。直到 sparkcontext的stop方法的调用退出应用为止。创建的临时表保存在global_temp这个库 中 总结

以上是内存溢出为你收集整理的Python技术栈与Spark交叉数据分析双向整合技术实战！全部内容，希望文章能够帮你解决Python技术栈与Spark交叉数据分析双向整合技术实战！所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。