Scala - DataFrame

基本概念

What's DataFrame

A DataFrame is equivalent to a relational table in Spark SQL [1]潜的。

DataFrame的前身是SchemaRDD夏块,從Spark 1.3.0開始SchemaRDD更名為DataFrame [2]脐供。其實(shí)從使用上來看政己,跟RDD的區(qū)別主要是有了Schema歇由,這樣就能根據(jù)不同行和列得到對應(yīng)的值沦泌。

Why DataFrame, Motivition

比RDD有更多的操作谢谦,而且執(zhí)行計劃上也比RDD有更多的優(yōu)化回挽。能夠方便處理大規(guī)模結(jié)構(gòu)化數(shù)據(jù)千劈。

How to use DataFrame

創(chuàng)建DataFrame

  • 創(chuàng)建一個空的DataFrame
    這里schema是一個StructType類型的
sqlContext.createDataFrame(sc.emptyRDD[Row], schema)
  • 從一個List創(chuàng)建
def listToDataFrame(list: ListBuffer[List[Any]], schema:StructType): DataFrame = {
    val rows = list.map{x => Row(x:_*)}
    val rdd = sqlContext.sparkContext.parallelize(rows)
    
    sqlContext.createDataFrame(rdd, schema)
}
  • 直接通過RDD生成
val departments = sc.parallelize(Array(
  (31, "Sales"), 
  (33, "Engineering"), 
  (34, "Clerical"),
  (35, "Marketing")
)).toDF("DepartmentID", "DepartmentName")

val employees = sc.parallelize(Array[(String, Option[Int])](
  ("Rafferty", Some(31)), ("Jones", Some(33)), ("Heisenberg", Some(33)), ("Robinson", Some(34)), ("Smith", Some(34)), 
  ("Williams", null)
)).toDF("LastName", "DepartmentID")
  • 讀取json文件創(chuàng)建[5]

json文件

{"name":"Michael"}
{"name":"Andy", "age":30}
{"name":"Justin", "age":19}

創(chuàng)建DataFrame

val df = sqlContext.jsonFile("/path/to/your/jsonfile")
df: org.apache.spark.sql.DataFrame = [age: bigint, name: string]
  • 從parquet文件讀出創(chuàng)建
val df:DataFrame = sqlContext.read.parquet("/Users/robin/workspace/cooked_data/bt")
  • 從MySQL讀取表chuang創(chuàng)建[5]
val jdbcDF = sqlContext.load("jdbc", Map("url" -> "jdbc:mysql://localhost:3306/db?user=aaa&password=111", "dbtable" -> "your_table"))
  • 從Hive創(chuàng)建[5]

Spark提供了一個HiveContext的上下文,其實(shí)是SQLContext的一個子類遮怜,但從作用上來說锯梁,sqlContext也支持Hive數(shù)據(jù)源陌凳。只要在部署Spark的時候加入Hive選項合敦,并把已有的hive-site.xml文件挪到$SPARK_HOME/conf路徑下充岛,就可以直接用Spark查詢包含已有元數(shù)據(jù)的Hive表了

sqlContext.sql("select count(*) from hive_people")
  • 從CSV文件創(chuàng)建

有個spark-csv的library

可以從maven引入崔梗,也可以k從spark-shell $SPARK_HOME/bin/spark-shell --packages com.databricks:spark-csv_2.11:1.5.0

val df = sqlContext.read.format("com.databricks.spark.csv").
     option("header", "true").
     option("inferSchema","true").
     load("/Users/username/tmp/person.csv")

DataFrame基本操作

官方例子

// To create DataFrame using SQLContext
val people = sqlContext.read.parquet("...")
val department = sqlContext.read.parquet("...")

people.filter("age > 30")
 .join(department, people("deptId") === department("id"))
 .groupBy(department("name"), "gender")
 .agg(avg(people("salary")), max(people("age")))

Filter

  • 把id為null的行都filter掉
df.withColumn("id", when(expr("id is null"), 0).otherwise(1)).show

Join連接

  • inner join [4]
val employees = sc.parallelize(Array[(String, Option[Int])](
  ("Rafferty", Some(31)), ("Jones", Some(33)), ("Heisenberg", Some(33)), ("Robinson", Some(34)), ("Smith", Some(34)), ("Williams", null)
)).toDF("LastName", "DepartmentID")



val departments = sc.parallelize(Array(
  (31, "Sales"), (33, "Engineering"), (34, "Clerical"),
  (35, "Marketing")
)).toDF("DepartmentID", "DepartmentName")

departments.show()

+------------+--------------+
|DepartmentID|DepartmentName|
+------------+--------------+
|          31|         Sales|
|          33|   Engineering|
|          34|      Clerical|
|          35|     Marketing|
+------------+--------------+

employees.join(departments, "DepartmentID").show()
+------------+----------+--------------+
|DepartmentID|  LastName|DepartmentName|
+------------+----------+--------------+
|          31|  Rafferty|         Sales|
|          33|     Jones|   Engineering|
|          33|Heisenberg|   Engineering|
|          34|  Robinson|      Clerical|
|          34|     Smith|      Clerical|
|        null|  Williams|          null|
+------------+----------+--------------+
  • left outer join [4]
employees.join(departments, Seq("DepartmentID"), "left_outer").show()
+------------+----------+--------------+
|DepartmentID|  LastName|DepartmentName|
+------------+----------+--------------+
|          31|  Rafferty|         Sales|
|          33|     Jones|   Engineering|
|          33|Heisenberg|   Engineering|
|          34|  Robinson|      Clerical|
|          34|     Smith|      Clerical|
|        null|  Williams|          null|
+------------+----------+--------------+
val d1 = df.groupBy("startDate","endDate").agg(max("price") as "price").show
  • Join expression 用表達(dá)式連接 [3]
val products = sc.parallelize(Array(
  ("steak", "1990-01-01", "2000-01-01", 150),
  ("steak", "2000-01-02", "2020-01-01", 180),
  ("fish", "1990-01-01", "2020-01-01", 100)
)).toDF("name", "startDate", "endDate", "price")

products.show()

+-----+----------+----------+-----+
| name| startDate|   endDate|price|
+-----+----------+----------+-----+
|steak|1990-01-01|2000-01-01|  150|
|steak|2000-01-02|2020-01-01|  180|
| fish|1990-01-01|2020-01-01|  100|
+-----+----------+----------+-----+

val orders = sc.parallelize(Array(
  ("1995-01-01", "steak"),
  ("2000-01-01", "fish"),
  ("2005-01-01", "steak")
)).toDF("date", "product")

orders.show()

+----------+-------+
|      date|product|
+----------+-------+
|1995-01-01|  steak|
|2000-01-01|   fish|
|2005-01-01|  steak|
+----------+-------+

orders.join(products, $"product" === $"name" && $"date" >= $"startDate" && $"date" <= $"endDate") .show()
+----------+-------+-----+----------+----------+-----+
|      date|product| name| startDate|   endDate|price|
+----------+-------+-----+----------+----------+-----+
|2000-01-01|   fish| fish|1990-01-01|2020-01-01|  100|
|1995-01-01|  steak|steak|1990-01-01|2000-01-01|  150|
|2005-01-01|  steak|steak|2000-01-02|2020-01-01|  180|
+----------+-------+-----+----------+----------+-----+
  • Join types: inner, outer, left_outer, right_outer, leftsemi
  • Join with dataframe alias
val joinedDF = testDF.as('a).join(genmodDF.as('b), $"a.PassengerId" === $"b.PassengerId")

joinedDF.select($"a.PassengerId", $"b.PassengerId").take(10)

val joinedDF = testDF.join(genmodDF, testDF("PassengerId") === genmodDF("PassengerId"), "inner")

Reference

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末驹闰,一起剝皮案震驚了整個濱河市,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌怔檩,老刑警劉巖薛训,帶你破解...
    沈念sama閱讀 218,036評論 6 506
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件锯岖,死亡現(xiàn)場離奇詭異出吹,居然都是意外死亡捶牢,警方通過查閱死者的電腦和手機(jī)秋麸,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 93,046評論 3 395
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來吓歇,“玉大人城看,你說我怎么就攤上這事炼鞠≮酥鳎” “怎么了?”我有些...
    開封第一講書人閱讀 164,411評論 0 354
  • 文/不壞的土叔 我叫張陵驮俗,是天一觀的道長王凑。 經(jīng)常有香客問我拌屏,道長倚喂,這世上最難降的妖魔是什么端圈? 我笑而不...
    開封第一講書人閱讀 58,622評論 1 293
  • 正文 為了忘掉前任,我火速辦了婚禮宴倍,結(jié)果婚禮上鸵贬,老公的妹妹穿的比我還像新娘阔逼。我一直安慰自己羡亩,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,661評論 6 392
  • 文/花漫 我一把揭開白布及志。 她就那樣靜靜地躺著率寡,像睡著了一般。 火紅的嫁衣襯著肌膚如雪家卖。 梳的紋絲不亂的頭發(fā)上馒闷,一...
    開封第一講書人閱讀 51,521評論 1 304
  • 那天,我揣著相機(jī)與錄音,去河邊找鬼卧秘。 笑死,一個胖子當(dāng)著我的面吹牛焊唬,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播,決...
    沈念sama閱讀 40,288評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了卿吐?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 39,200評論 0 276
  • 序言:老撾萬榮一對情侶失蹤毯焕,失蹤者是張志新(化名)和其女友劉穎衍腥,沒想到半個月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體芥丧,經(jīng)...
    沈念sama閱讀 45,644評論 1 314
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡紧阔,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,837評論 3 336
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發(fā)現(xiàn)自己被綠了续担。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片擅耽。...
    茶點(diǎn)故事閱讀 39,953評論 1 348
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖物遇,靈堂內(nèi)的尸體忽然破棺而出乖仇,到底是詐尸還是另有隱情,我是刑警寧澤询兴,帶...
    沈念sama閱讀 35,673評論 5 346
  • 正文 年R本政府宣布乃沙,位于F島的核電站,受9級特大地震影響诗舰,放射性物質(zhì)發(fā)生泄漏警儒。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,281評論 3 329
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望蜀铲。 院中可真熱鬧边琉,春花似錦、人聲如沸记劝。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,889評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽厌丑。三九已至定欧,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間怒竿,已是汗流浹背砍鸠。 一陣腳步聲響...
    開封第一講書人閱讀 33,011評論 1 269
  • 我被黑心中介騙來泰國打工耕驰, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留睦番,地道東北人。 一個月前我還...
    沈念sama閱讀 48,119評論 3 370
  • 正文 我出身青樓耍属,卻偏偏與公主長得像,于是被迫代替她去往敵國和親巩检。 傳聞我的和親對象是個殘疾皇子厚骗,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,901評論 2 355

推薦閱讀更多精彩內(nèi)容