1 三者比较
易操作程度 SparkSQL > DataFrame > RDD
2 创建RDD、DataFrame和SparkSQL
2.1 创建RDD
rawUserData = sc.textFile("file:/home/badou/Downloads/u.user")
rawUserData.count()`
输出：943，说明有943条数据。
userRDD = rawUserData.map(lambda line: line.split("|"))这是因为每条数据都是由|分隔的。
2.2 创建DataFrame
创建sqlContext
sqlContext = SparkSession.builder.getOrCreate()定义schema
user_Rows = userRDD.map(lambda p:
Row(
userid = int(p[0]),
age = int(p[1]),
gender = p[2],
occupation = p[3],
zipcode = p[4]
)
)
user_Rows.take(5)
out:[Row(age=24, gender=u'M', occupation=u'technician', userid=1, zipcode=u'85711'),]
创建DataFrame
user_df = sqlContext.createDataFrame(user_Rows)
user_df.printSchema() #打印出这个dataframe的schema为DataFrame创建别名
df = user_df.alias("df")
df.show(3)
|age|gender|occupation|userid|zipcode|
| 24| M|technician| 1| 85711|
| 53| F| other| 2| 94043|
| 23| M| writer| 3| 32067|
2.3 开始使用SparkSQL
- 登录临时表
user_df.registerTempTable("user_table") - 查看项数
sqlContext.sql("select count(*)counts from user_table").show() - 多行输入SQL语句
sqlContext.sql("""sql语句""") - 查看数据
sqlContext.sql("select * from user_table").show() - 使用limit
不加limit会在hadoop集群上进行map-reduce计算，如果只要看前几行会运行很久。
sqlContext.sql("select * from user_table limit 3").show()
3 select显示部分字段
3.1 使用RDD显示部分字段
userRDDnew = userRDD.map(lambda x:(x[0],x[2]))
userRDDnew.take(3)
3.2 使用DataFrame显示部分字段
user_df.select(user_df.userid,user_df.age).show()
3.3 使用SparkSQL显示部分字段
sqlContext.sql("select userid, age from user_table limit 5").show()
4 增加计算字段
4.1 使用RDD增加计算字段
最后一个字段是计算出生年份
userRDDnew = userRDD.map(lambda x:(x[0],x[3],x[2],x[1],2016-int(x[1])))
userRDDnew.take(3)
4.2 使用DataFrame增加计算字段
user_df.select(user_df.userid,2016-user_df.age).show(5)
增加计算字段并命名
user_df.select(user_df.userid,(2016-user_df.age).alias("new column")).show()
4.3 使用SparkSQL增加计算字段
sqlContext.sql("select userid,2016-age new_column from user_table limit 5").show()
5 筛选数据
5.1 使用RDD筛选数据
在RDD中使用 filter 方法筛选每一项数据，如筛选出所有的年龄为24，职业为technician的男性。
userRDD.filter(lambda r:r[1]=='24' and r[2]=='M' and r[3]=='technician').take(3)
5.2 使用DataFrame筛选数据
- 使用多个filter
user_df.filter("occupation='technician'").filter("gender='M'").filter("age=24").show(3) - 使用单个filter
注意：使用 & 而不能用 and，使用 == 而不能用 = 。
user_df.filter((user_df.occupation=='technician')&(user_df.age==24)&(user_df.gender=='M')).show(3)
5.3 使用SparkSQL筛选数据
sqlContext.sql("""select *
from user_table
where occupation='technician' and gender='M' and age=24""").show(3)
6 按单个字段给数据排序
6.1 使用RDD按单个字段排序
使用takeOrdered(num,key=None)方法进行排序
num ：要显示的行数
key ：排序的字段
userRDD.takeOrdered(5,key=lambda x:int(x[1])) #升序排列
userRDD.takeOrdered(5,key=lambda x:-1*int(x[1])) #降序排列
6.2 使用DataFrame按单个字段排序
使用.orderBy("age")或者.orderBy(user_df.age)，默认是升序。
user_df.select("userid","occupation","gender","age").orderBy("age").show(3)
使用.orderBy("age",ascending=0)降序排列
user_df.select("userid","occupation","gender","age").orderBy("age",ascending=0).show(3)
6.3 使用SparkSQL按单个字段排序
使用SQL语句中的 order by 关键字加字段名指定要排序的字段，默认升序。
sqlContext.sql("""select *
from user_table
order by age""").show(3)
降序需要在SQL语句最后加上 DESC。
sqlContext.sql("""select *
from user_table
order by age DESC""").show(3)
7 按多个字段给数据排序
7.1 使用RDD按多个字段排序
相比于按单个字段排序，key 变为 lambda x:(-int(x[1]),x[2])，表示按x[1]降序排列，并以x[2]设置按性别升序排列
userRDD.takeOrdered(5,key=lambda x:(-int(x[1]),x[2]))
7.2 使用DataFrame按多个字段排序
使用.orderBy(["age","gender"],ascending=[0,1]),表示按age和gender这两个字段排序，[0,1]分别表示age和gender按什么序排，0表示降序，1表示升序。
user_df.orderBy(["age","gender"],ascending=[0,1]).show(5)
7.3 使用SparkSQL按多个字段排序
sqlContext.sql("""select userid,age,gender,occupation,zipcode
from user_table
order by age DESC,gender""").show(5)
8 显示不重复数据
8.1 使用RDD显示不重复数据
- 显示userRDD性别字段不重复的数据：
userRDD.map(lambda x:x[2]).distinct().collect()
.distinct()是筛选出不重复的数据，.collect()是转化为List。 - 显示性别+年龄不重复数据
userRDD.map(lambda x:(x[1],x[2])).distinct().take(5)
8.2 使用DataFrame显示不重复数据
- 显示性别字段不重复数据
user_df.select("gender").distinct().show() - 显示性别+年龄不重复数据
user_df.select("gender","age").distinct().show(5)
8.3 使用SparkSQL显示不重复数据
- 显示性别字段不重复数据
sqlContext.sql("select distinct gender from user_table").show(5) - 显示性别+年龄不重复数据
sqlContext.sql("select distinct gender,age from user_table").show(5)
9 分组统计数据
9.1 使用RDD分组统计
- 按性别统计
userRDD.map(lambda x:(x[2],1)).reduceByKey(lambda x,y:x+y).collect()
.map(lambda x:(x[2],1)) 会将每一个人的性别 M 转化为一个元组('M',1);
.reduceByKey(lambda x,y:x+y) 将数据集按照性别总和来进行统计。 - 按性别、职业来统计
userRDD.map(lambda x:((x[2],x[3]),1)).reduceByKey(lambda x,y:x+y).collect()
9.2 使用DataFrame分组统计
- 按性别统计
user_df.select("gender").groupBy("gender").count().orderBy("gender").show(10) - 按性别、职业来统计
user_df.select("gender","occupation").groupBy("gender","occupation").count().orderBy("gender","occupation").show(10) - 以crosstab按照性别、职业统计数据
user_df.stat.crosstab("occupation","gender").show(10)
9.3 使用SparkSQL分组统计
- 按性别统计
sqlContext.sql("""
select gender,count(*) counts
from user_table group by gender""").show() - 按性别、职业来统计
sqlContext.sql("""
select gender,occupation,count(*) counts
from user_table group by gender,occupation""").show()
10 join连接数据
10.1 下载数据表
在上面的=得到的表中，最后一列zipcode是地理位置标识，如果想知道是哪个州就需要下载ZipCode数据表，进行联接。
wget http://federalgovernmentzipcodes.us/free-zipcode-database-Primary.csv
10.2 上传到hdfs目录
hdfs dfs -copyFromLocal free-zipcode-database-Primary.csv /input
10.3 读取rawDataRDD
rawDataWithHeader = sc.textFile("hdfs://master:9000/input/free-zipcode-database-Primary.csv")
rawDataWithHeader.take(2)
10.4 去除表头
header = rawDataWithHeader.first()
rawData = rawDataWithHeader.filter(lambda x:x!=header)
rawData.first()
10.5 删除 " 符号
rData = rawData.map(lambda x:x.replace(""",""))
rData.first()
10.6 获取每个字段
ZipRDD = rData.map(lambda x:x.split(","))
ZipRDD.first()
10.7 创建zip_tab
创建ZipCode Row的Schema
from pyspark.sql import Row
zipcode_data = ZipRDD.map(lambda p:
Row(
zipcode=int(p[0]),
zipcodeType=p[1],
city=p[2],
state=p[3])
)
zipcode_data.take(5)创建DataFrame
zipcode_df=sqlContext.createDataFrame(zipcode_data)
zipcode_df.printSchema()创建临时登录表
zipcode_df.registerTempTable("zipcode_table")
zipcode_df.show(10)
10.8 用SparkSQL联接两个表
为了方便引用，在下面的代码中给这两个表创建了别名。
将两个表联接并选出纽约州的用户数据。
sqlContext.sql("""
select u.*,z.city,z.state
from user_table u
left join zipcode_table z
on u.zipcode = z.zipcode
where z.state='NY'
""").show(10)