PySpark SQL常用语法

许多数据分析师都是用HIVE SQL跑数，这里我建议转向PySpark：

• PySpark的语法是从左到右串行的，便于阅读、理解和修正；SQL的语法是从内到外嵌套的，不方便维护；
• PySpark继承Python优美、简洁的语法，同样的效果，代码行数可能只有SQL的十分之一；
• Spark分转化操作和行动操作，只在行动操作时才真正计算，所以可以减少不必要的计算时间；
• 相对于SQL层层嵌套的一个整体，PySpark可以拆分成多步，并可以十分方便地把中间结果保存为变量，更有利于调试和修改；
• PySpark可以与Python中的其他模块结合使用，可以将多种功能有机结合成一个系统
• PySpark SQL模块许多函数、方法与SQL中关键字一样，可以以比较低的学习成本切换
• 最重要的，Spark是基于内存计算的，计算速度本身比Hive快很多倍

PySpark的安装配置

如果只是在单机上练习下，照着网上的帖子在Linux系统安装一下就可以了；如果想真正在集群上实战，还是找运维搭建吧。

PySpark SQL语法

最好的学习资料当然是官方文档，不过官方文档是按函数名排序的，这对于新手不太友好，所以这里整理一下。

数据拉取

第一步是拉取数据，与SQL、Pandas、R一样，在SparkSQL中，我们以DataFrame以基本的数据结构（不过要注意，SparkSQL DataFrame与Pandas的DataFrame是两种数据结构，虽然相互转换也很容易）。

加载包

from __future__ import print_function
import pandas as pd
from pyspark.sql import HiveContext
from pyspark import SparkContext,SparkConf
from sqlalchemy import create_engine
import datetime
import pyspark.sql.functions as F

conf = SparkConf().setAppName("abc")
sc = SparkContext(conf=conf)
hiveCtx = HiveContext(sc)

---

手工创建一个DataFrame

d = [{'name': 'Alice', 'age': 1},{'name': 'Bob', 'age': 5}]
df = sqlContext.createDataFrame(d)
df.show() 

从集群里运行SQL生成DataFrame

实际工作中往往是从集群中拉数，然后处理；还是执行SQL（尽管仍是SQL，但是不必写复杂的SQL；用基本的SQL先把源数据拉出来，复杂的处理和计算交给Spark来做），以下是用Hive拉数：

sql = "" # 拉数SQL
df  = hiveCtx.sql(sql)

---

缓存与清除缓存

Spark每次作行动操作时，都是从最初的转化操作开始计算；如果不想从头开始计算，想保存中间结果表，就应该把数据载入缓存。

df.cache()

与之相对的，清除缓存为

sqlContext.clearCache()

---

数据探索

展示

df.show() # 不加参数默认展示前20行

统计行数

df.count() 

查看schema

df.printSchema() 

查看字段

df.columns

查看字段类型

df.dtypes

---

数据处理

查询

df.select('age','name') # 带show才能看到结果

别名

df.select(df.age.alias('age_value'),'name')

筛选

df.filter(df.name=='Alice')

增加列

增加列有2种方法，一种是基于现在的列计算；一种是用pyspark.sql.functions的lit()增加常数列。

df.select(df.age+1,'age','name')
df.select(F.lit(0).alias('id'),'age','name')

增加行

df.unionAll(df2)

删除重复记录

df.drop_duplicates()

去重

df.distinct()

删除列

df.drop('id')

删除存在缺失值的记录

df.dropna(subset=['age', 'name'])  # 传入一个list，删除指定字段中存在缺失的记录

填补缺失值

df.fillna({'age':10,'name':'abc'})  # 传一个dict进去，对指定的字段填充

分组计算

df.groupby('name').agg(F.max(df['age']))

join

df.groupby('name').agg(F.max(df['age']))

---

函数和UDF

pyspark.sql.functions里有许多常用的函数，可以满足日常绝大多数的数据处理需求；当然也支持自己写的UDF，直接拿来用。

自带函数

根据官方文档，以下是部分函数说明：

'lit': 'Creates a :class:`Column` of literal value.',
'col': 'Returns a :class:`Column` based on the given column name.',
'column': 'Returns a :class:`Column` based on the given column name.',
'asc': 'Returns a sort expression based on the ascending order of the given column name.',
'desc': 'Returns a sort expression based on the descending order of the given column name.',

'upper': 'Converts a string expression to upper case.',
'lower': 'Converts a string expression to upper case.',
'sqrt': 'Computes the square root of the specified float value.',
'abs': 'Computes the absolutle value.',

'max': 'Aggregate function: returns the maximum value of the expression in a group.',
'min': 'Aggregate function: returns the minimum value of the expression in a group.',
'first': 'Aggregate function: returns the first value in a group.',
'last': 'Aggregate function: returns the last value in a group.',
'count': 'Aggregate function: returns the number of items in a group.',
'sum': 'Aggregate function: returns the sum of all values in the expression.',
'avg': 'Aggregate function: returns the average of the values in a group.',
'mean': 'Aggregate function: returns the average of the values in a group.',
'sumDistinct': 'Aggregate function: returns the sum of distinct values in the expression.',

df.select(F.max(df.age))
df.select(F.min(df.age))
df.select(F.avg(df.age)) # 也可以用mean，一样的效果
df.select(F.countDistinct(df.age)) # 去重后统计
df.select(F.count(df.age)) # 直接统计，经试验，这个函数会去掉缺失值会再统计

from pyspark.sql import Window
df.withColumn("row_number", F.row_number().over(Window.partitionBy("a","b","c","d").orderBy("time"))).show() # row_number()函数

日期相关函数参考：pyspark系列--日期函数

UDF

---

统计计算

描述性统计分析

df.describe('age').show() # describe()相当于R里的summary()

---

数据写出

数据写出有以下几种情况——

• 写入集群分区表

all_bike.rdd.map(lambda line: u','.join(map(lambda x:unicode(x),line))).saveAsTextFile('/user/hive/warehouse/bi.db/bikeid_without_3codes_a_d/dt={}'.format(t0_uf)) #转化为RDD写入HDFS路径

还有一种方法，是先把dataframe创建成一个临时表，再用hive sql的语句写入表的分区。

bike_change_2days.registerTempTable('bike_change_2days')
sqlContext.sql("insert into bi.bike_changes_2days_a_d partition(dt='%s') select citycode,biketype,detain_bike_flag,bike_tag_onday,bike_tag_yesterday,bike_num from bike_change_2days"%(date))

• 写入集群非分区表

df_spark.write.mode("append").insertInto('bi.pesudo_bike_white_list') # 直接使用write.mode方法insert到指定的集群表

• 写入数据库
  可以先将PySpark DataFrame转化成Pandas DataFrame，然后用pandas的to_sql方法插入数据库

• 写出本地

df.write.csv()

---

与Pandas DataFrame互相转换

如果你熟悉Pandas包，并且PySpark处理的中间数据量不是太大，那么可以直接转换成pandas DataFrame，然后转化成常规操作。

df.toPandas() # PySpark DataFrame转化成Pandas DataFrame

import pandas as pd
df_p = pd.DataFrame(dict(num=range(3),char=['a','b','c']))
df_s = sqlContext.createDataFrame(df_p) # pandas dataframe转化成PySpark DataFrame
type(df_s)

机器学习

关于机器学习，在以后的文章里再单独讨论。