PySpark｜比RDD更快的DataFrame
PySpark｜比RDD更快的DataFrame
01
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。
02
DataFrame的作用
对于Spark来说，引入DataFrame之前，Python的查询速度普遍比使用RDD的Scala查询慢（Scala要慢两倍），通常情况下这种速度的差异来源于Python和JVM之间的通信开销。具体的时间差异如下图所示：
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。
03
创建DataFrame
上一篇中我们了解了如何创建RDD，在创建DataFrame的时候，我们可以直接基于RDD进行转换。示例操作如下
- 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")04
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()05
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)06
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()07
总结
Spark API文档：
http://spark.apache.org/docs/latest/api/python/
腾讯云开发者
