Py-Spark 常用语句(命令)

# 大坑

# pyspark所有的结果只要不show结果，看行数等操作，都是定义表，并没有计算结果

# 所以在join时，为了保证数据的准确性，养成好习惯：1、小表关联大表  2、大表关联小表[‘A_KEY’ rename]

from pyspark.sql import functions as F

from pyspark.sql.functions import *

from pyspark.sql.types import DateType

from  pyspark.sql.window import *

from pyspark.sql.functions import lower, col # 小写

from pyspark.sql.functions import upper, col  # 大写

from pyspark.sql.functions import lit # 增加列

from pyspark.sql.functions import when # ifelse

from pyspark.sql.functions import split, explode, concat, concat_ws  # split(列数据的分割), explode(一行分成多行) concat,concat_ws(列数据合并)

from pyspark.sql.types import StringType # 导入数据类型

from pyspark.sql.functions import UserDefinedFunction # 定义函数

from pyspark.sql.functions import desc #降序排列

from pyspark.sql.functions import trim # 去空格

a.createOrReplaceTempView("a")

# 生成pyspark的dataframe

a = spark.sql("select * from a").cache()

# 查看数据head

a.show(10)

a.take(10)

# 去重

df = df.dropDuplicates()

df.select('A_field').distinct().count()

# 行数

a.count()

len(ORD_pro.collect()) #运行速度会更快

# 查看列名

a.columns

# 查看字段类型

a.dtypes

# 查看数据结构

a.printSchema()

# 小数转换成字符串

PriceBook_STBT = ST.select( ST["BT"].cast("int").cast("string"),ST["ST"].cast("int").cast("string"))

priceBook_BT  = kadl.select(kadl["BT"].cast("int").cast("string"),kadl["AICPGP"].cast("string"))

# 修改列名

ST_SKU_1= ST_SKU_1.withColumnRenamed("CUST_ID",'ShipToNumber').withColumnRenamed("SKU",'SKUNumber')

ORD_table.selectExpr("SVC_NOTIF_KEY as SVC_NOTIF_KEY_1", "NOTIF_NBR as NOTIF_NBR_1").show()

# 选择某列summariy

a.select('CONTACT_KEY').describe().show()

# 删除某列

b1 = b.drop("CONTACT_KEY").show()

# 筛选满足条件的行数

a.filter(a.CONTACT_KEY == 504943)

# 多条件筛选(and 必须换行)

EQUIP_pro_1.filter( (EQUIP_pro_1.INSTALL_DT >= '20200101') & (EQUIP_pro_1.INSTALL_DT <= '20200331')) # 条件之间用括号分开

## like 筛选

Total_Booking5 = Total_Booking4.filter(~ col('Login').like('%thermofisher.com%') )

# 筛选以a开头的记录

df_1 = df.filter(lower(df.current_pagename_new).like('products:%')

# 筛选空值null

EQUIP_pro.filter("INSTALL_DT is NULL").select('INSTALL_DT').count()

Q3_Campaign_1.filter(Q3_Campaign_1.login.isNotNull())                                         

#新生成一列（判断某个字段每个值是否是空值）                                         

df.withColumn("is_person_name_null",col("USER_NM").isNull()/isNotNull() 

#新生成一列常数项

frame.withColumn("contant", F.lit(10))

# 新生成一列(根据计算所得)

frame.withColumn("name_length", F.length(frame.name))

# 时间戳转换成日期格式

方法一：

df= df('UPDT_DT',F.to_date(df))

df= df.withColumn('CRT_DT',F.to_date(df.CRT_DT))

方法二：

df.select('UPDT_DT').withColumn("UPDT_DT_1",col("UPDT_DT").cast("date"))

# 字符串(string)转换成日期(data)格式

df.withColumn("BPEFTJ_1",df['BPEFTJ'].cast(DateType()))                                         

# 字段转换成小写

from pyspark.sql.functions import lower, col

df = spark.table('df').withColumn('CONTACT_ID_1', lower(col('df.CONTACT_ID')))

# 小写去空格

df.withColumn("USER_NM", upper(trim(col("USER_NM")))).show()  # 操作在dataframe上

dataframeColnames.createOrReplaceTempView("dataframeColnames")

import pyspark.sql.functions as F

from pyspark.sql.functions import col

def single_space(col):

    return F.trim(F.regexp_replace(col, " +", " "))

  # 去除开头和结尾的空格

def remove_all_whitespace(col):

    return F.regexp_replace(col, "\\s+", "")

  # 去除中间的空格

spark.table('WEB_USER').withColumn('USER_NM_1', lower(remove_all_whitespace(single_space(col("USER_NM"))))).show()  # 操作Table上

# 排序

WEB_USER_3.sort('CONTACT_ID_1','USER_NM_1',ascending = False).show() #降序排列  默认为升序 (同升同降)

WEB_USER_3.sort(WEB_USER_3.CONTACT_ID_1.desc(),WEB_USER_3.USER_NM_1.asc()).show() # 自定义升降

#分组

WEB_USER_3.groupBy('CONTACT_ID_1').agg(f.count/countDistinct('CONTACT_ID_1').alias('count')).sort(desc('count')).show()

df.groupBy("login").count().sort(desc("count")).show()                                                                   

df.groupBy('level').agg(sf.concat_ws(',', sf.collect_list(df.name))).show()

# 分组选择最新日期

df.groupBy("SKU").agg(F.max("BPEFTJ").alias("BPEFTJ")).show()  # 只会显示SKU 与 BPEFTJ两列

df.join(df.groupBy("SKU").agg(F.max("BPEFTJ").alias("BPEFTJ")),["SKU","BPEFTJ"],how="inner") # 会显示所有列   

#获取系统当前日期

WOP_Price.withColumn("OP_Data",current_date())

#转换日期                                         

TO_CHAR(COMPLT_DATETIME, 'YYYYMMDD' ) COMPLT_DATETIME                                                                   

# ifelse

方法一：           

from pyspark.sql.functions import when

df = df.withColumn("profile", when(df.age >= 40,"Senior") .otherwise("Executive"))

order3 = order2.withColumn("Order Cancelled(Y/N/P)", when( (order2.status == -1) & (order2.received_quantity > 0) ,"P").when(order2.status == -1,"Y").otherwise("N"))

方法二：             

#定义函数

def somefunc(value):

  if (value=='a') | (value=='b') :

    return 'Yes'

  else:

    return 'No'

# F.udf(函数,输出类型)

udfsomefunc = F.udf(somefunc, StringType())             

a2 = a1.withColumn("abc", udfsomefunc("SCb_Name")).select('SCb_Name','SGN','abc')             

# 新生成一列 (查看每个字段的字符长度)

frame3_1 = WEB_USER_3.withColumn("name_length", f.length(WEB_USER_3.USER_NM_1))

ST_SKU_1.withColumn('Input',F.lit('Viewed')).show()                                                                   

from pyspark.sql.functions import lit

new_df = df1.withColumn('newCol', lit(0)).show() # 新列为0

new_df = df.withColumn('new_column_1', lit(None).cast(StringType()))  #新列为NULL

# 表连接

df = df1.join(df2, ta.name == tb.name, how='inner'/'outer'/'left'/'right'/left_anti)

df = df.join(df,['BT'],how='inner')

df.show()

#全连接(并集)

jd = df.join(defaults, on="foo", how='outer')

# 列数据的分割

from pyspark.sql.functions import split, explode, concat, concat_ws

df_split = df.withColumn("s", split(df['score'], " ")) #切分字段score，生成为s

df_split.show()                           

#列数据合并

ST_SKU_2.withColumn('STSKU',concat(ST_SKU_2['ShipToNumber'],ST_SKU_2['SKUNumber'])) (没有分隔符)

ST_SKU_2.withColumn('STSKU',concat_ws("-",ST_SKU_2['ShipToNumber'],ST_SKU_2['SKUNumber'])) (指定分隔符)                                                                   

# 把数据拉竖(R:melt)

from pyspark.sql.functions import split, explode, concat, concat_ws

df1 = df.withColumn("SKU", explode(split(df['prod_list'], ",")))

from pyspark.sql.functions import pandas_udf,pandasUDFType

@pandas_udf("user string,PL string,Order_Number integer",pandasUDFType.GROUPED_MAP)

def data_partiotion(df):

  V=df.select('Order_Number')

  return spark.createDataFrame()

df.withColumn("datetime", col("datetime").cast("timestamp"))

    .groupBy("userId", "memberId")

    .agg(max_("datetime"))                                                                   

#注意事项

1 filter (命名)                                                                   

test = WEB_USER.groupBy('USER_NM').agg(F.count('USER_NM').alias('count')).sort(desc('count'))

test.filter(test.count > 1).show()  会报错：'>' not supported between instances of 'method' and 'int'

修改成：test.filter(test['count'] > 1).show()

报错原因：'count'为默认方法，名字冲突                                                                 

### 去中间空格

def remove_all_whitespace(col):

    return F.regexp_replace(col, "\\s+", "")

df = df.withColumn('Materia_Number',remove_all_whitespace(trim(upper(col('Materia_Number')))))

## python 转换成 pyspark

sentenceData = spark.createDataFrame(df)                                         

# union (合并两个dataframe)                                       

Delear = df.union(df1).union(df2).union(df3).union(df4).distinct().withColumn("op_date",current_date())

# 保存成表

df.write.mode("append").saveAsTable("db.df_a")

df.write.mode(SaveMode.Overwrite).saveAsTable("testdb.testtable")                                         

#  值不在dataframe中

a1 = a.filter(~col('USER_NM').isin(['[email protected]']))

# 值不在dataframe中,需要列表，把dataframe 某列转换成list

#方法一、

mvv_list = bb1.select('USER_NM').collect()

mvv_array = [i.USER_NM for i in mvv_list]

df = a.withColumn('is_user_nm_null',col('USER_NM').isin(mvv_array))

display(df.groupBy('is_user_nm_null').count().sort(desc('count')))           

# a1 = a.filter(~col('USER_NM').isin(mvv_array))

#方法二、

df = df.withColumn("AddCol", when(df.col("Pclass").contains("3"),"three").otherwise("notthree"))           

f.withColumn('cat',

F.when(df.device.isin(phone_list), 'phones').otherwise(

F.when(df.device.isin(pc_list), 'pc').otherwise(

F.when(df.device.isin(security_list), 'security')))

).groupBy('id').pivot('cat').agg(F.count('cat')).show()           

#方法三

a1 = a.join(bb1,['USER_NM'],how='outer') 并集

jd = a1.withColumn("ShipToNumber", coalesce("ShipToNumber", "shipToName_1")).withColumn("ShipToName", coalesce("ShipToName", "shipToName_1"))

-- 主表仍然是a1表，当ShipToNumber 与 shipToName_1 同时存在/同时不存在，选择当ShipToNumber。当当ShipToNumber为null，而当ShipToNumber_1 非空，选择当ShipToNumber_1

### 选择最新日期的一条

Customer_info_5_2.withColumn("row_num", row_number().over(Window.partitionBy("ShipToNumber").orderBy(desc("Login_Last_Order_Date")))).filter(col('row_num') == '1')

###

a2.withColumn("row_number",F.row_number().over(Window.partitionBy("CONTACT_KEY").orderBy(desc("CITY")))).filter(col('row_number') == 1)

###  格式化

"','".join(df_1.columns)

### 表的列名           

D_Equip_2.schema.names           

### 格式化修改字段类型(py.spark)

for item in aaa.columns:

  aaa=aaa.withColumn(item, col(item).cast("string"))

aaa

### 格式化修改字段类型(py)           

df=df.astype(str)           

### 格式化修去除字段名空格(py.spark)

for item in df.columns:

df=df.withColumnRenamed(item, item.replace(" ",''))

print(df.columns)

### 手动生成df

%scala

val df = Seq(

  (1, "First Value", java.sql.Date.valueOf("2010-01-01"))

).toDF("int_column", "string_column", "date_column")

df.createOrReplaceTempView("df")           

###重命名         

wop_latest1 = wop_latest[['SKU Number','Sales Order Number']].rename(columns={"SKU Number": "SKUNumber", "Sales Order Number": "SalesOrderNumber"})

#### 当同一CONTACT_KEY来源多个Soruce时，合并。eg:pre-sales/SVC

            result_4.drop('Source').join(result_4.groupBy("CONTACT_KEY").agg(concat_ws("/",collect_set("Source")).alias('Source')),['CONTACT_KEY'],how='left')