PySpark｜比RDD更快的DataFrame

DataFrame介绍

DataFrame是一种不可变的分布式数据集，这种数据集被组织成指定的列，类似于关系数据库中的表。如果你了解过pandas中的DataFrame，千万不要把二者混为一谈，二者从工作方式到内存缓存都是不同的。

DataFrame的作用

由上图可以看到，使用了DataFrame(DF)之后，Python的性能得到了很大的改进，对于SQL、R、Scala等语言的性能也会有很大的提升。

创建DataFrame

spark.read.json()

生成RDD：

stringJSONRDD = sc.parallelize((""" 
  { "id": "123",
    "name": "Katie",
    "age": 19,
    "eyeColor": "brown"
  }""",
   """{
    "id": "234",
    "name": "Michael",
    "age": 22,
    "eyeColor": "green"
  }""", 
  """{
    "id": "345",
    "name": "Simone",
    "age": 23,
    "eyeColor": "blue"
  }""")
)

转换成DataFrame：

swimmersJSON = spark.read.json(stringJSONRDD)

createOrReplaceTempView()

我们可以使用该函数进行临时表的创建。

swimmersJSON.createOrReplaceTempView("swimmersJSON")

DataFrame查询

我们可以使用DataFrame的API或者使用DataFrame的SQL查询。

show()

使用show(n)方法，可以把前n行打印到控制台上（默认显示前十行）。

swimmersJSON.show()

collect

使用collect可以返回行对象列表的所有记录。

swimmersJSON.collect()

SQL查询

我们可以通过写SQL语句的形式对表格进行查询。

spark.sql("select * from swimmersJSON").collect()

DF和RDD的交互操作

printSchema()

该方法可以用来打印出每个列的数据类型，我们称之为打印模式。

swimmersJSON.printSchema()

StructType()

该方法可以用于编程指定的模式。

schema = StructType([
    StructField("id", LongType(), True),    
    StructField("name", StringType(), True),
    StructField("age", LongType(), True),
    StructField("eyeColor", StringType(), True)
])

createDataFrame(XXRDD, schema)

该方法用于应用指定的schema模式并创建RDD。

swimmers = spark.createDataFrame(stringCSVRDD, schema)

利用DataFrame API进行查询

count()

用于得到DataFrame的行数。

swimmers.count()

运行筛选语句

我们可以使用filter子句运行筛选语句，用select子句来指定要返回的列。

方法1：

swimmers.select("id", "age").filter("age = 22").show()

方法2：

swimmers.select("name", "eyeColor").filter("eyeColor like b%").show()

总结