pyspark 基本操作

  1. 常用的包
from pyspark.sql.types import StringType, IntegerType, DoubleType, FloatType
from pyspark import SparkContext
from pyspark.storagelevel import StorageLevel
from pyspark.sql import HiveContext
from pyspark.sql.functions import countDistinct

2.基本操作

//初始化环境
sc = SparkContext(appName="appname")
hiveContext = HiveContext(sc)
//通过sql获取dataframe
df = hiveContext.sql(mysqlstring)
//计算另一列
df = df.withColumn('new_name', fun.udf)
//persist
_ = df.persist(storageLevel=StorageLevel.MEMORY_ONLY).count()
//filter
df = df.filter('day=20200912 and day is not null')
//groupby
df_group = df.filter.groupby(key_list).agg({"pid":"count"})
df_group = df_group.withColumnRenamed("count(pid)", "pid_num")
//join
df = df1.join(df2, [key1, key2], "left_outer")
//union
df = df1.union(df2)
©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成,浏览时请结合常识与多方信息审慎甄别。
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。

友情链接更多精彩内容