【Python】对比Pandas,学习PySpark大数据处理

机器学习初学者

共 10587字,需浏览 22分钟

 ·

2022-11-22 11:56

在这篇文章中,我们将对比用于基本数据操作任务的 pandas 代码片段和它们在 PySpark 中的对应功能的代码片段。利用 pandas 数据操作技能来学习 PySpark 。
对于数据分析师、数据科学家和任何使用数据的人来说,能够熟练而有效地处理大数据是一项非常有优势的技能。如果你已经熟悉运用 Python 和 pandas 做常规数据处理,并且想学习处理大数据,那么熟悉 PySpark,并将用其做数据处理,将会是一个不错的开始。PySpark是一种适用于 Apache Spark 的 Python API,一种流行的大数据开源数据处理引擎。

本文的前提是,假设读者在 Python 中熟练使用 pandas 操作数据。

数据集

从导包开始。在 PySpark 中,需要创建一个 Spark 会话 SparkSession。创建 Spark 会话后,可以从以下位置访问 Spark Web 用户界面 (Web UI):http://localhost:4040/。下面定义的应用程序名称appName为“PyDataStudio”,将显示为 Web UI 右上角的应用程序名称。本文将不会使用 Web UI,但是,如果您有兴趣了解更多信息,请查看官方文档[1]

import pandas as pd
from pyspark.sql import SparkSession
spark = SparkSession.builder.appName('PyDataStudio').getOrCreate()

我们将在这篇文章中使用企鹅数据集[2]。使用下面的脚本,我们将penguins.csv数据的修改版本保存在工作目录中。

from seaborn import load_dataset
(load_dataset('penguins')
    .drop(columns=['bill_length_mm''bill_depth_mm'])
    .rename(columns={'flipper_length_mm''flipper',
                     'body_mass_g''mass'})
    .to_csv('penguins.csv', index=False))

看一下两个库之间的语法比较。为了简洁,我们仅保留显示 PySpark 输出。

基本使用

两个库的数据对象都称为 DataFrame:pandas DataFrame vs PySpark DataFrame

导入数据并检查其形状

# pandas 
df = pd.read_csv('penguins.csv'
df.shape
# PySpark 
df = spark.read.csv('penguins.csv', header=True, inferSchema=True
df.count(), len(df.columns)
(344, 5)

使用 PySpark 导入数据时,指定header=True数据类型用第一行作标题,并设置inferSchema=True。可以尝试不使用这些选项导入并检查 DataFrame 及其数据类型(类似于 pandas 使用df.dtype 检查 PySpark DataFrames 的数据类型)。

与 pandas DataFrame 不同,PySpark DataFrame 没有像.shape可以直接查看数据的形状。所以要得到数据形状,我们分别求行数和列数。

检查有关数据的高级信息

# pandas
df.info()
# PySpark 
df.printSchema()
root
|-- species: string (nullable = true)
|-- island: string (nullable = true)
|-- flipper: double (nullable = true)
|-- mass: double (nullable = true)
|-- sex: string (nullable = true)

虽然此方法不会提供与df.info()相同的输出,但它是最接近的内置方法之一。

查看数据的前几行

# pandas
df.head()
# PySpark 
df.show(5)
+-------+---------+-------+------+------+
|species| island|flipper| mass| sex|
+-------+---------+-------+------+------+
| Adelie|Torgersen| 181.0|3750.0| Male|
| Adelie|Torgersen| 186.0|3800.0|Female|
| Adelie|Torgersen| 195.0|3250.0|Female|
| Adelie|Torgersen| null| null| null|
| Adelie|Torgersen| 193.0|3450.0|Female|
+-------+---------+-------+------+------+
only showing top 5 rows

默认情况下,df.show()默认显示前 20 行。PySpark DataFrame 实际上有一个名为.head()的方法,可以查看前几行的数据,并以row对象形式打印出。运行df.head(5)提供如下输出:

df.head(5)

.show()方法的输出更简洁,因此在查看数据集的top行时用.show()

选择列

# pandas 
df[['island''mass']].head(3)
# PySpark 
df[['island''mass']].show(3)
+---------+------+
| island| mass|
+---------+------+
|Torgersen|3750.0|
|Torgersen|3800.0|
|Torgersen|3250.0|
+---------+------+
only showing top 3 rows

虽然可以在这里使用的是类似于 pandas 的语法,而在 PySpark 中默认使用如下代码片段所示的方法选择列:

df.select('island''mass').show(3
df.select(['island''mass']).show(3)

过滤

根据条件过滤数据

# pandas 
df[df['species']=='Gentoo'].head()
# PySpark 
df[df['species']=='Gentoo'].show(5)
+-------+------+-------+------+------+
|species|island|flipper| mass| sex|
+-------+------+-------+------+------+
| Gentoo|Biscoe| 211.0|4500.0|Female|
| Gentoo|Biscoe| 230.0|5700.0| Male|
| Gentoo|Biscoe| 210.0|4450.0|Female|
| Gentoo|Biscoe| 218.0|5700.0| Male|
| Gentoo|Biscoe| 215.0|5400.0| Male|
+-------+------+-------+------+------+
only showing top 5 rows

两个库之间的语法几乎相同。要获得相同的输出,还可以使用:

df.filter(df['species']=='Gentoo').show(5) df.filter("species=='Gentoo'").show(5

下面显示了一些常见的过滤器比较:

# pandas 
df[df['species'].isin(['Chinstrap''Gentoo'])].head() 
df[df['species'].str.match('G.')] .head() 
df[df['flipper'].between(225,229)].head() 
df[df['mass'].isnull()].head()1b df.loc[df['species']!='Gentoo'].head() 
df[~df['species'].isin(['Chinstrap''Gentoo'])].head() 
df[-df['species'].str.match('G.')].head() 
df[~df['flipper'].between(225,229)].head() 
df[df['mass'].notnull()].head()6 df[(df['mass']<3400) & (df['sex']=='Male')].head() 
df[(df['mass']<3400) | (df['sex']=='Male')].head()

# PySpark 
df[df['species'].isin(['Chinstrap''Gentoo'])].show(5
df[df['species'].rlike('G.')].show(5
df[df['flipper'].between(225,229)].show(5
df[df['mass'].isNull()].show(5)1b df[df['species']!='Gentoo'].show(5
df[~df['species'].isin(['Chinstrap''Gentoo'])].show(5
df[~df['species'].rlike('G.')].show(5
df[~df['flipper'].between(225,229)].show(5
df[df['mass'].isNotNull()].show(5)
df[(df['mass']<3400) & (df['sex']=='Male')].show(5
df[(df['mass']<3400) |(df[ 'sex']=='Male')].show(5)

虽然~-在 pandas 中都可以作为否定,但在 PySpark 中仅有~能作为有效的否定。

排序

对数据进行排序并检查mass最小的 5 行:

# pandas 
df.nsmallest(5'mass')
# PySpark 
df[df['mass'].isNotNull()].orderBy('mass').show(5)
+---------+------+-------+------+------+
| species|island|flipper| mass| sex|
+---------+------+-------+------+------+
|Chinstrap| Dream| 192.0|2700.0|Female|
| Adelie|Biscoe| 184.0|2850.0|Female|
| Adelie|Biscoe| 181.0|2850.0|Female|
| Adelie|Biscoe| 187.0|2900.0|Female|
| Adelie| Dream| 178.0|2900.0|Female|
+---------+------+-------+------+------+
only showing top 5 rows

Pandas的.nsmallest().nlargest()方法会自动排除缺失值。而 PySpark 没有等效的方法。为了获得相同的输出,首先过滤掉缺失mass的行,然后对数据进行排序并查看前 5 行。如果没有删除数据,可以简写为:

df.orderBy(‘mass’).show(5).sort()

代替的另一种排序方式.orderBy()

# pandas 
df.nlargest(5'mass')
# PySpark 
df.sort('mass', ascending=False).show(5)
+-------+------+-------+------+----+
|species|island|flipper| mass| sex|
+-------+------+-------+------+----+
| Gentoo|Biscoe| 221.0|6300.0|Male|
| Gentoo|Biscoe| 230.0|6050.0|Male|
| Gentoo|Biscoe| 220.0|6000.0|Male|
| Gentoo|Biscoe| 222.0|6000.0|Male|
| Gentoo|Biscoe| 229.0|5950.0|Male|
+-------+------+-------+------+----+
only showing top 5 rows

这些语法的变体也是等效的:

df.sort(df['mass'].desc()).show(5
df.orderBy('mass', ascending=False).show(5
df.orderBy(df['mass'].desc( )).show(5)

按多列排序,如下所示:

# pandas 
df.sort_values(['mass''flipper'], ascending=False).head()
# PySpark 
df.orderBy(['mass''flipper'], ascending=False).show(5)
+-------+------+-------+------+----+
|species|island|flipper| mass| sex|
+-------+------+-------+------+----+
| Gentoo|Biscoe| 221.0|6300.0|Male|
| Gentoo|Biscoe| 230.0|6050.0|Male|
| Gentoo|Biscoe| 222.0|6000.0|Male|
| Gentoo|Biscoe| 220.0|6000.0|Male|
| Gentoo|Biscoe| 229.0|5950.0|Male|
+-------+------+-------+------+----+
only showing top 5 rows

在 PySpark 中,可以在将所有列分别传参数,而不需要写成列表的形式

df.orderBy('mass''flipper', ascending=False).show(5)

要按多列但按不同方向排序:

# pandas 
df.sort_values(['mass''flipper'], ascending=[TrueFalse]).head()
# PySpark 
df[df['mass'].isNotNull()]\ 
  .sort('mass''flipper', ascending=[TrueFalse]).show(5)
+---------+---------+-------+------+------+
| species| island|flipper| mass| sex|
+---------+---------+-------+------+------+
|Chinstrap| Dream| 192.0|2700.0|Female|
| Adelie| Biscoe| 184.0|2850.0|Female|
| Adelie| Biscoe| 181.0|2850.0|Female|
| Adelie|Torgersen| 188.0|2900.0|Female|
| Adelie| Biscoe| 187.0|2900.0|Female|
+---------+---------+-------+------+------+
only showing top 5 rows

pyspark的另一种写法

df[df['mass'].isNotNull()]\
  .orderBy(df['mass'].asc(), df['flipper'].desc()).show(5)

聚合

现在,看几个聚合数据的示例。

简单的聚合

二者方法类似:

# pandas 
df.agg({'flipper''mean'})
# PySpark 
df.agg({'flipper''mean'}).show()
+------------------+
| avg(flipper)|
+------------------+
|200.91520467836258|
+------------------+

多个聚合

需要采用不同的方法:

# pandas 
df.agg({'flipper': ['min''max']})
# PySpark 
from pyspark.sql import functions as F 
df.agg(F.min('flipper'), F.max('flipper')).show()
+------------+------------+
|min(flipper)|max(flipper)|
+------------+------------+
| 172.0| 231.0|
+------------+------------+

获取唯一值

# pandas 
df['species'].unique()
# PySpark 
df.select('species').distinct().show()
+---------+
| species|
+---------+
| Gentoo|
| Adelie|
|Chinstrap|
+---------+

要在列中获取多个不同的值:

# pandas 
df['species'].nunique()
# PySpark 
df.select('species').distinct().count()
3

按组聚合

到目前为止,PySpark 使用 camelCase 驼峰命名法来表示方法和函数。.groupBy()这也是如此。这是一个简单的按聚合分组的示例:

# pandas 
df.groupby('species')['mass'].mean()
# PySpark 
df.groupBy('species').agg({'mass''mean'}).show()
+---------+------------------+
| species| avg(mass)|
+---------+------------------+
| Gentoo| 5076.016260162602|
| Adelie| 3700.662251655629|
|Chinstrap|3733.0882352941176|
+---------+------------------+

这是一个聚合多个选定列的示例:

# pandas 
df.groupby('species').agg({'flipper''sum',
                           'mass''mean'})
# PySpark 
df.groupBy('species').agg({'flipper''sum',
                           'mass''mean'}).show()
+---------+------------+--------------+
| species|sum(flipper)| avg(mass)|
+---------+------------+--------------+
| Gentoo| 26714.0| 5076.01626016|
| Adelie| 28683.0| 3700.66225165|
|Chinstrap| 13316.0|3733.088235294|
+---------+------------+--------------+

如果我们不指定列,它将显示所有数字列的统计信息:

# pandas 
df.groupby('species').mean()
# PySpark 
df.groupBy('species').mean().show()
+---------+--------------+--------------+
| species| avg(flipper)| avg(mass)|
+---------+--------------+--------------+
| Gentoo| 217.186991869| 5076.01626016|
| Adelie|189.9536423841| 3700.66225165|
|Chinstrap| 195.823529411|3733.088235294|
+---------+--------------+--------------+

也可以将.mean()替换为.avg(),即可以使用df.groupBy(‘species’).avg().show()

以上就是本文的所有内容,希望能够帮到你对 PySpark 语法有所了解。我们注意到,在基本任务方面,这两个库之间有很多相似之处。这使得在熟悉 pandas 工作知识的人更容易开始使用 PySpark,在处理小数据分析与挖掘后,遇到大数据分析与挖掘时,也能够轻松面对。

参考资料

[1]

官方文档: https://spark.apache.org/docs/latest/web-ui.html

[2]

企鹅数据集: https://github.com/mwaskom/seaborn-data/blob/master/penguins.csv


往期精彩回顾




浏览 33
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报