数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装设计
法学如何将PySpark数据框按行分成两个数据框？
PySpark 数据框定义为可在不同机器上使用的分布式数据集合，并将结构化数据生成到命名列中。“切片”一词通常用于表示数据的划分。在 Python 中，我们有一些内置函数，如 limit()、collect()、exceptAll() 等，可用于将 PySpark 数据框按行分成两个数据框。
语法
以下语法在示例中使用：
limit()
这是 Python 中的内置方法，可用于通过指定整数值来设置行的范围。
subtract()
subtract() 方法返回行结果，形成一个新数据框，其中不包含另一个数据框中的数据。
collect()
Pyspark collect 用于检索给定数据集中的所有元素，它通过循环和变量使用。
createDataFrame()
这是 Python 中的内置方法，它采用 schema 参数来定义数据框的模式。
[: before_slicing] [after_slicing :]
以上表示法称为列表切片，它将用于将数据框分成两行。
head()
通常，Python 中的 head() 方法表示数据表中的前 5 行，但此处它接受某些参数并根据给定条件返回结果。
exceptAll()
这是 Python 中的内置函数，它遵循 PySpark 模块，返回包含 DataFrame 中的行但不在另一个 DataFrame 中的新 DataFrame，同时保留重复项。
count()
这是 Python 中的内置函数，它将用于返回指定数量的行作为结果。
drop()
drop 方法消除特定行或列。
Window.orderBy()
PySpark 窗口函数通过计算结果（例如行号或排名）来定义。orderBy() 是对数据进行分区的唯一方法。
安装要求
pip install pyspark
此必要的命令用于安装有助于运行 PySpark 程序的工具。
使用 Limit() 和 Subtract() 方法
limit() 和 subtract 方法用于将单个数据转换为两个行数据框。limit() 用于通过为其分配整数值来设置特定数量的行，而 subtract 方法可用于包含另一个 DataFrame 中不存在的唯一行。
示例
在以下示例中，我们将首先导入 pyspark 和 SparkSession 模块，这将创建数据框的会话。然后在变量 rows 中设置值作为行数据。接下来，在变量 cols 中设置数据的列值。现在使用名为 createDataFrame() 的方法和 SparkSession 模块来设置行和列，这定义了数据框的两个不同模式，并将其存储在变量 df_first 中。然后初始化变量 df_second，它将值设置为名为 subtract() 的内置函数，该函数接受名为变量 df_first 的参数，这将导致返回新的数据框。最后，我们对这两个变量 df_first 和 df_second 使用 show() 方法来获取结果。
# Import the PySpark module import pyspark from pyspark.sql import SparkSession # Create the session Spark_Session = SparkSession.builder.appName( 'EMPLOYEE DATA' ).getOrCreate() # rows of Dataframe rows = [['1', 'RAHUL', 'INDIA','1243'], ['2','PETER', 'SRI LANKA','5461'], [ '3',' JOHN', 'SOUTH KOREA','2224'], [ '4', 'MARK', 'NEWYORK','9985'], [ '5', 'SUNNY', 'BANGLADESH','8912'] ] # Columns of DataFrame cols = ['S.N', 'EMPLOYEE NAME', 'COUNTRY', 'EMP_ID'] # DataFrame creation for rows and columns df = Spark_Session.createDataFrame(rows, cols) # Getting the first two slicing of rows df_first = df.limit(2) # Getting the second slicing by removing the variable df1 df_second = df.subtract(df_first) # first slice with 2 rows with columns names df_first.show() # Second slice with 3 rows with columns names df_second.show()
输出
+---+-------------+---------+------+ |S.N|EMPLOYEE NAME| COUNTRY|EMP_ID| +---+-------------+---------+------+ | 1| RAHUL| INDIA| 1243| | 2| PETER|SRI LANKA| 5461| +---+-------------+---------+------+ +---+-------------+-----------+------+ |S.N|EMPLOYEE NAME| COUNTRY|EMP_ID| +---+-------------+-----------+------+ | 3| JOHN|SOUTH KOREA| 2224| | 5| SUNNY| BANGLADESH| 8912| | 4| MARK| NEWYORK| 9985| +---+-------------+-----------+------+
使用 Collect() 和 CreateDataFrame() 方法
collect 方法用于从给定数据中检索所有元素，而 createDataFrame() 将数据框的两个模式分开。
请注意，模式由表的结构定义。
示例
在以下示例中，首先使用 SparkSession 创建会话。然后初始化变量 data，它将以列表格式设置行数据。然后使用带有 spark 的 createDataframe() 方法，该方法接受参数 - data（给定的行）和 ["Name", "Age"]（设置列的名称）。为了获取行列表，它将使用 collect() 方法作为变量 df 的对象引用，并将其存储在变量 rows 中。接下来，我们在变量 rows1 和 rows2 中分别使用两个列表切片，即之前和之后。继续使用内置方法 createDataframe()，该方法接受两个参数 - name_of_rows（rows1 和 rows2）和 df.schema（设置数据框的模式），并将其分别存储在变量 df1 和 df2 中。最后，它将对这两个变量 df1 和 df2 使用 show 函数来获取结果。
from pyspark.sql
import SparkSession
# Create the Spark session
spark = SparkSession.builder.appName("EMPLOYEE DATA").getOrCreate()
# Create the sample dataframe
data = [("Vivek", 31), ("Aman", 20), ("Sohan", 13), ("David", 24)]
df = spark.createDataFrame(data, ["Name", "Age"])
# Getting the list of row objects using the collect function
rows = df.collect()
# Getting two rows of the list by using slicing
rows1 = rows[:2]
rows2 = rows[2:]
# Convert the lists of Rows to PySpark DataFrames
df1 = spark.createDataFrame(rows1, df.schema)
df2 = spark.createDataFrame(rows2, df.schema)
# result
df1.show()
df2.show()
输出
+-----+---+ | Name|Age| +-----+---+ |Vivek| 31| | Aman| 20| +-----+---+ +-----+---+ | Name|Age| +-----+---+ |Sohan| 13| |David| 24| +-----+---+
使用 Count()、Filter() 和 Drop() 方法
在此程序中，将数据框分成两个行数据框需要 count() 和 filter() 方法，它们将划分特定唯一行。count() 返回总行数，而 filter() 用于划分 DataFrame 的两行。然后，Drop() 方法删除表示数据框划分的行。
示例
在以下示例中，首先构建 spark 会话，然后在名为 data 的变量中设置行数据。然后使用带有 spark 的 createDataFrame() 设置列名称，该方法接受数据框的两个参数 - data（设置行）和列表（设置列名），并将其存储在变量 df 中。然后在变量 total_rows 中使用 df.count() 来查找总行数。接下来，在变量 n_rows_first_df 中定义第一个数据框的行数。然后，我们使用内置方法 row_number()、over() 和 Window.orderBy() 将行号列添加到数据框中。现在使用内置方法 filter() 将数据框分成两个不同的行，并将其存储在其各自的变量中。最后，它将对两个不同的变量使用两个 show() 方法，以两个行数据框的形式获取结果。
from pyspark.sql
import SparkSession, Window
from pyspark.sql.functions import row_number
# Create a SparkSession
spark = SparkSession.builder.getOrCreate()
# Create the original DataFrame
data = [("Rabina", 35), ("Stephen", 31), ("Raman", 33), ("Salman", 44),("Meera",37)]
df = spark.createDataFrame(data, ["Name", "Age"])
# Get the total number of rows
total_rows = df.count()
# Define the number of rows for the first DataFrame
n_rows_first_df = 2
# Add a row number column to the DataFrame
df_with_row_number = df.withColumn("row_number", row_number().over(Window.orderBy("Name")))
# Slice the DataFrame into two using filter()
first_df = df_with_row_number.filter(df_with_row_number.row_number <= n_rows_first_df).drop("row_number")
second_df = df_with_row_number.filter(df_with_row_number.row_number > n_rows_first_df).drop("row_number")
# Show the resulting DataFrames
first_df.show()
second_df.show()
输出
+------+---+ | Name|Age| +------+---+ | Meera| 37| |Rabina| 35| +------+---+ +-------+---+ | Name|Age| +-------+---+ | Raman| 33| | Salman| 44| |Stephen| 31| +-------+---+
使用 Head() 和 ExceptAll() 方法
将数据框分成两个行数据框，它使用 head() 和 exceptAll() 这两种方法，这些方法将用于分离具有唯一数据行的两个数据框。
示例
在以下示例中，它使用内置方法 count 获取总行数。然后它在变量 n_rows_first_df 中分配第一个 DataFrame 的行数。为了创建两个数据框，它将使用三个不同的内置函数，如 head()、createDataFrame() 和 exceptAll()，并将它们存储在其各自的变量中。最后，它将使用两个 show() 函数来获取两个行数据框。
from pyspark.sql
import SparkSession
# Create a SparkSession
spark = SparkSession.builder.getOrCreate()
# Create the original DataFrame
data = [("karisma", 25), ("Bobby", 30), ("Champak", 35), ("Mark", 40)]
df = spark.createDataFrame(data, ["Name", "Age"])
# Get the total number of rows
total_rows = df.count()
# Define the number of rows for the first DataFrame
n_rows_first_df = 2
# Slice the DataFrame into two using head() and exceptAll()
first_rows = df.head(n_rows_first_df)
first_df = spark.createDataFrame(first_rows, df.schema)
second_df = df.exceptAll(first_df)
# Show the resulting DataFrames
first_df.show()
second_df.show()
输出
+-------+---+ | Name|Age| +-------+---+ |karisma| 25| | Bobby| 30| +-------+---+ +-------+---+ | Name|Age| +-------+---+ |Champak| 35| | Mark| 40| +-------+---+
结论
我们讨论了四种独特的方法来将 PySpark 数据框按行分成两个数据框。所有这些方法都具有表示数据框划分的独特方式。PySpark 数据框是高级交互式数据，可供数据工程师和数据科学家使用。Spark 和 ML 的 Python API 是可视化 PySpark 数据框的常见示例。
693 次浏览
