热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

dataframe添加一列_在PySpark数据框中添加新列的5种方法

每天都在生成太多数据。尽管有时我们可以使用Rapids或Parallelization等工具来管理大数据,但如果您使用的是TB级数据,Spark是一个很

c5ea66f3cac895a9b1e333869da97714.png

每天都在生成太多数据。尽管有时我们可以使用Rapids或Parallelization等工具来管理大数据,但如果您使用的是TB级数据,Spark是一个很好的工具。尽管这篇文章解释了如何使用RDD和基本的Dataframe操作,但是我在使用PySpark Dataframes时错过了很多东西。只有当我需要更多功能时,我才阅读并提出多种解决方案来做一件事情。如何在Spark中创建新列?现在,这听起来微不足道,但请相信我,事实并非如此。您可能想要处理这么多数据,所以我很确定您最终将在工作流中使用大多数这些列创建过程。有时使用Pandas功能,有时使用基于RDD的分区,有时使用成熟的python生态系统。这篇文章将是关于"在Pyspark Dataframe中创建新列的多种方法"。如果您安装了PySpark,则可以跳过下面的"入门"部分。Spark入门我知道很多人不会在系统中安装Spark来尝试和学习。但是安装Spark本身就是一件令人头疼的事情。由于我们想了解它是如何工作的以及如何使用它,因此建议您在此处与社区版一起在线使用Databricks上的Spark。不用担心,它是免费的,尽管资源较少,但是对于我们来说,出于学习目的,它现在就适用。

9f3b4fdcd6209517666cce5bec3e6286.png

一旦注册并登录,将显示以下屏幕。

4e367d1c6dc499e7750d88ac9050b45c.png

您可以在此处启动新笔记本。选择Python笔记本,并为笔记本命名。启动新笔记本并尝试执行任何命令后,笔记本将询问您是否要启动新群集。做吧下一步将检查sparkcontext是否存在。要检查sparkcontext是否存在,您必须运行以下命令:sc

8ca4445bc6eac68cd33206b25609ea2b.png

这意味着我们已经设置了可以运行Spark的笔记本。

数据在这里,我将处理Movielens ml-100k.zip数据集。1000位用户观看1700部电影时获得100,000个评分。在此压缩文件夹中,我们将专门使用的文件是评估文件。该文件名保留为" u.data"如果要上载此数据或任何数据,可以单击左侧的"数据"选项卡,然后使用提供的GUI添加数据。

262c4da761365a05c22bdca643d5659b.png

然后,我们可以使用以下命令加载数据:

ratings = spark.read.load("/FileStore/tables/u.data",format="csv", sep="\t", inferSchema="true", header="false")ratings = ratings.toDF(*['user_id', 'movie_id', 'rating', 'unix_timestamp'])外观如下:

ratings.show()

cc07af946e1182fce92a1074aba222b4.png

好的,现在我们准备开始我们感兴趣的部分。如何在PySpark Dataframe中创建一个新列?

使用Spark本机函数在PySpark DataFrame中创建新列的最pysparkish方法是使用内置函数。这是创建新列的最高效的编程方式,因此,这是我想进行某些列操作时首先要去的地方。我们可以将.withcolumn与PySpark SQL函数一起使用来创建新列。本质上,您可以找到已经使用Spark函数实现的String函数,Date函数和Math函数。我们可以将spark函数导入为:

import pyspark.sql.functions as F我们的第一个函数F.col函数使我们可以访问列。因此,如果我们想将一栏乘以2,可以将F.col用作:

ratings_with_scale10 = ratings.withColumn("ScaledRating", 2*F.col("rating"))ratings_with_scale10.show()

812ed54dc2c470da4674db84e360790e.png

我们还可以使用数学函数,例如F.exp函数:

ratings_with_exp = ratings.withColumn("expRating", 2*F.exp("rating"))ratings_with_exp.show()

c970864c65576fa02280d1124eec2356.png

此模块中提供了许多其他功能,足以满足大多数简单的用例。您可以在此处查看功能列表。

Spark UDF有时我们想对一列或多列做复杂的事情。可以将其视为对PySpark数据框到单列或多列的映射操作。尽管Spark SQL函数确实解决了许多有关创建列的用例,但只要我想使用更成熟的Python功能时,我都会使用Spark UDF。要使用Spark UDF,我们需要使用F.udf函数将常规的python函数转换为Spark UDF。我们还需要指定函数的返回类型。在此示例中,返回类型为StringType()

import pyspark.sql.functions as Ffrom pyspark.sql.types import *defsomefunc(value): if value <3: return &#39;low&#39; else: return &#39;high&#39;#convert to a UDF Function by passing in the function and return type of function udfsomefunc &#61; F.udf(somefunc, StringType())ratings_with_high_low &#61; ratings.withColumn("high_low", udfsomefunc("rating"))ratings_with_high_low.show()

e9b4fd96f8e2809c73d753fcc4b707a8.png

使用RDD有时&#xff0c;Spark UDF和SQL函数对于特定用例而言都是不够的。您可能想利用Spark RDD获得的更好的分区。或者&#xff0c;您可能想在Spark RDD中使用组函数。您可以使用此方法&#xff0c;主要是在需要访问python函数内部spark数据框中的所有列时。无论如何&#xff0c;我发现使用RDD创建新列的这种方式对于有经验的RDD(这是Spark生态系统的基本组成部分)的人们非常有用。下面的过程利用该功能在Row和pythondict对象之间进行转换。我们将行对象转换为字典。按照我们的习惯使用字典&#xff0c;然后将该字典再次转换回行。

import mathfrom pyspark.sql import Rowdefrowwise_function(row): # convert row to dict: row_dict &#61; row.asDict() # Add a new key in the dictionary with the new column name and value. row_dict[&#39;Newcol&#39;] &#61; math.exp(row_dict[&#39;rating&#39;]) # convert dict to row: newrow &#61; Row(**row_dict) # return new row return newrow# convert ratings dataframe to RDDratings_rdd &#61; ratings.rdd# apply our function to RDDratings_rdd_new &#61; ratings_rdd.map(lambda row: rowwise_function(row))# Convert RDD Back to DataFrameratings_new_df &#61; sqlContext.createDataFrame(ratings_rdd_new)ratings_new_df.show()

8de7f9a1cb046cd8cac9ffa2dd1b9bfe.png

Pandas UDFSpark版本2.3.1中引入了此功能。这使您可以在Spark中使用Pands功能。我通常在需要在Spark数据帧上运行groupby操作或需要创建滚动功能并想使用Pandas滚动功能/窗口功能的情况下使用它。我们使用它的方式是使用F.pandas_udf装饰器。我们在这里假设该函数的输入将是一个熊猫数据框。我们需要从该函数依次返回一个Pandas数据框。这里唯一的复杂性是我们必须为输出数据框提供一个架构。我们可以使用以下格式来实现。

# Declare the schema for the output of our functionoutSchema &#61; StructType([StructField(&#39;user_id&#39;,IntegerType(),True),StructField(&#39;movie_id&#39;,IntegerType(),True),StructField(&#39;rating&#39;,IntegerType(),True),StructField(&#39;unix_timestamp&#39;,IntegerType(),True),StructField(&#39;normalized_rating&#39;,DoubleType(),True)])# decorate our function with pandas_udf decorator&#64;F.pandas_udf(outSchema, F.PandasUDFType.GROUPED_MAP)defsubtract_mean(pdf): # pdf is a pandas.DataFrame v &#61; pdf.rating v &#61; v - v.mean() pdf[&#39;normalized_rating&#39;] &#61;v return pdfrating_groupwise_normalization &#61; ratings.groupby("movie_id").apply(subtract_mean)rating_groupwise_normalization.show()

e2c58c3c2ad4f51837397fd23b1be823.png

我们还可以利用它在每个火花节点上训练多个单独的模型。为此&#xff0c;我们复制数据并为每个复制提供一个键和一些训练参数&#xff0c;例如max_depth等。然后&#xff0c;我们的函数将使用熊猫Dataframe&#xff0c;运行所需的模型&#xff0c;然后返回结果。结构如下所示。

# 0. Declare the schema for the output of our functionoutSchema &#61; StructType([StructField(&#39;replication_id&#39;,IntegerType(),True),StructField(&#39;RMSE&#39;,DoubleType(),True)])# decorate our function with pandas_udf decorator&#64;F.pandas_udf(outSchema, F.PandasUDFType.GROUPED_MAP)defrun_model(pdf): # 1. Get hyperparam values num_trees &#61; pdf.num_trees.values[0] depth &#61; pdf.depth.values[0] replication_id &#61; pdf.replication_id.values[0] # 2. Train test split Xtrain,Xcv,ytrain,ycv &#61; train_test_split..... # 3. Create model using the pandas dataframe clf &#61; RandomForestRegressor(max_depth &#61; depth, num_trees&#61;num_trees,....) clf.fit(Xtrain,ytrain) # 4. Evaluate the model rmse &#61; RMSE(clf.predict(Xcv,ycv) # 5. return results as pandas DF res &#61;pd.DataFrame({&#39;replication_id&#39;:replication_id,&#39;RMSE&#39;:rmse}) return resresults &#61; replicated_data.groupby("replication_id").apply(run_model)以上只是一个想法&#xff0c;而不是一个有效的代码。尽管应该稍作修改。

使用SQL对于喜欢SQL的人&#xff0c;甚至可以使用SQL创建列。为此&#xff0c;我们需要注册一个临时SQL表&#xff0c;然后使用带有附加列的简单选择查询。一个人也可以用它来进行联接。

ratings.registerTempTable(&#39;ratings_table&#39;)newDF &#61; sqlContext.sql(&#39;select *, 2*rating as newCol from ratings_table&#39;)newDF.show()

116d1348213fc6fe4092b2588a1c49c4.png

希望我已经很好地介绍了列创建过程&#xff0c;以帮助您解决Spark问题。

- END -

文源网络&#xff0c;仅供学习之用&#xff0c;如有侵权&#xff0c;联系删除。往期精彩

ed16a11e6244807d4fce86da5af0b052.png

◆  50款开源工具你都用过吗&#xff1f;

◆  python&#43;C、C&#43;&#43;混合编程的应用

◆  python网络爬虫的基本原理详解

◆  Python自动操控excel&#xff0c;一小时解决你一天的工作

◆  如何用Python增强Excel&#xff0c;减少处理复杂数据的痛苦&#xff1f;

2c0fe903de232fcff6aa765e5671400d.png




推荐阅读
  • 深入解析Redis内存对象模型
    本文详细介绍了Redis内存对象模型的关键知识点,包括内存统计、内存分配、数据存储细节及优化策略。通过实际案例和专业分析,帮助读者全面理解Redis内存管理机制。 ... [详细]
  • 本文详细解析了Python中的os和sys模块,介绍了它们的功能、常用方法及其在实际编程中的应用。 ... [详细]
  • 技术分享:从动态网站提取站点密钥的解决方案
    本文探讨了如何从动态网站中提取站点密钥,特别是针对验证码(reCAPTCHA)的处理方法。通过结合Selenium和requests库,提供了详细的代码示例和优化建议。 ... [详细]
  • 1:有如下一段程序:packagea.b.c;publicclassTest{privatestaticinti0;publicintgetNext(){return ... [详细]
  • PHP 5.2.5 安装与配置指南
    本文详细介绍了 PHP 5.2.5 的安装和配置步骤,帮助开发者解决常见的环境配置问题,特别是上传图片时遇到的错误。通过本教程,您可以顺利搭建并优化 PHP 运行环境。 ... [详细]
  • 2023年京东Android面试真题解析与经验分享
    本文由一位拥有6年Android开发经验的工程师撰写,详细解析了京东面试中常见的技术问题。涵盖引用传递、Handler机制、ListView优化、多线程控制及ANR处理等核心知识点。 ... [详细]
  • 根据最新发布的《互联网人才趋势报告》,尽管大量IT从业者已转向Python开发,但随着人工智能和大数据领域的迅猛发展,仍存在巨大的人才缺口。本文将详细介绍如何使用Python编写一个简单的爬虫程序,并提供完整的代码示例。 ... [详细]
  • 深入理解Redis的数据结构与对象系统
    本文详细探讨了Redis中的数据结构和对象系统的实现,包括字符串、列表、集合、哈希表和有序集合等五种核心对象类型,以及它们所使用的底层数据结构。通过分析源码和相关文献,帮助读者更好地理解Redis的设计原理。 ... [详细]
  • 本文详细介绍如何使用Python进行配置文件的读写操作,涵盖常见的配置文件格式(如INI、JSON、TOML和YAML),并提供具体的代码示例。 ... [详细]
  • 深入理解C++中的KMP算法:高效字符串匹配的利器
    本文详细介绍C++中实现KMP算法的方法,探讨其在字符串匹配问题上的优势。通过对比暴力匹配(BF)算法,展示KMP算法如何利用前缀表优化匹配过程,显著提升效率。 ... [详细]
  • 掌握远程执行Linux脚本和命令的技巧
    本文将详细介绍如何利用Python的Paramiko库实现远程执行Linux脚本和命令,帮助读者快速掌握这一实用技能。通过具体的示例和详尽的解释,让初学者也能轻松上手。 ... [详细]
  • 本文介绍如何使用 Python 提取和替换 .docx 文件中的图片。.docx 文件本质上是压缩文件,通过解压可以访问其中的图片资源。此外,我们还将探讨使用第三方库 docx 的方法来简化这一过程。 ... [详细]
  • 使用Python在SAE上开发新浪微博应用的初步探索
    最近重新审视了新浪云平台(SAE)提供的服务,发现其已支持Python开发。本文将详细介绍如何利用Django框架构建一个简单的新浪微博应用,并分享开发过程中的关键步骤。 ... [详细]
  • 本次考试于2016年10月25日上午7:50至11:15举行,主要涉及数学专题,特别是斐波那契数列的性质及其在编程中的应用。本文将详细解析考试中的题目,并提供解题思路和代码实现。 ... [详细]
  • 本文详细介绍了如何准备和安装 Eclipse 开发环境及其相关插件,包括 JDK、Tomcat、Struts 等组件的安装步骤及配置方法。 ... [详细]
author-avatar
请叫我浪漫先生_858
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有