大数据开发！Pandas转spark无痛指南！

Pandas灵活强大，是数据分析必备工具库！但处理大型数据集时，需过渡到PySpark才可以发挥并行计算的优势。本文总结了Pandas与PySpark的核心功能代码段，掌握即可丝滑切换。

ShowMeAI

13497人浏览 · 2022-09-22 09:15:16

ShowMeAI · 2022-09-22 09:15:16 发布

💡 作者：韩信子@ShowMeAI
📘 大数据技术◉技能提升系列：https://www.showmeai.tech/tutorials/84
📘 数据分析实战系列：https://www.showmeai.tech/tutorials/40
📘 本文地址：https://www.showmeai.tech/article-detail/338
📢 声明：版权所有，转载请联系平台与作者并注明出处
📢 收藏ShowMeAI查看更多精彩内容

Pandas 是每位数据科学家和 Python 数据分析师都熟悉的工具库，它灵活且强大具备丰富的功能，但在处理大型数据集时，它是非常受限的。

这种情况下，我们会过渡到 PySpark，结合 Spark 生态强大的大数据处理能力，充分利用多机器并行的计算能力，可以加速计算。不过 PySpark 的语法和 Pandas 差异也比较大，很多开发人员会感觉这很让人头大。

在本篇内容中， ShowMeAI 将对最核心的数据处理和分析功能，梳理 PySpark 和 Pandas 相对应的代码片段，以便大家可以无痛地完成 Pandas 到大数据 PySpark 的转换😉

大数据处理分析及机器学习建模相关知识，ShowMeAI制作了详细的教程与工具速查手册，大家可以通过如下内容展开学习或者回顾相关知识。

图解数据分析：从入门到精通系列教程
图解大数据技术：从入门到精通系列教程
图解机器学习算法：从入门到精通系列教程
数据科学工具库速查表 | Spark RDD 速查表
数据科学工具库速查表 | Spark SQL 速查表

💡 导入工具库

在使用具体功能之前，我们需要先导入所需的库：

# pandas vs pyspark，工具库导入
import pandas as pd
import pyspark.sql.functions as F

PySpark 所有功能的入口点是 SparkSession 类。通过 SparkSession 实例，您可以创建spark dataframe、应用各种转换、读取和写入文件等，下面是定义 SparkSession的代码模板：

from pyspark.sql import SparkSession
spark = SparkSession\
.builder\
.appName('SparkByExamples.com')\
.getOrCreate()

💡 创建 dataframe

在 Pandas 和 PySpark 中，我们最方便的数据承载数据结构都是 dataframe，它们的定义有一些不同，我们来对比一下看看：

💦 Pandas

columns = ["employee","department","state","salary","age"]
data = [("Alain","Sales","Paris",60000,34),
        ("Ahmed","Sales","Lyon",80000,45),
        ("Ines","Sales","Nice",55000,30),
        ("Fatima","Finance","Paris",90000,28),
        ("Marie","Finance","Nantes",100000,40)]

创建DataFrame的 Pandas 语法如下：

df = pd.DataFrame(data=data, columns=columns)
# 查看头2行
df.head(2)

💦 PySpark

创建DataFrame的 PySpark 语法如下：

df = spark.createDataFrame(data).toDF(*columns)
# 查看头2行
df.limit(2).show()

💡 指定列类型

💦 Pandas

Pandas 指定字段数据类型的方法如下：

types_dict = {
    "employee": pd.Series([r[0] for r in data], dtype='str'),
    "department": pd.Series([r[1] for r in data], dtype='str'),
    "state": pd.Series([r[2] for r in data], dtype='str'),
    "salary": pd.Series([r[3] for r in data], dtype='int'),
    "age": pd.Series([r[4] for r in data], dtype='int')
}

df = pd.DataFrame(types_dict)

Pandas 可以通过如下代码来检查数据类型：

df.dtypes

💦 PySpark

PySpark 指定字段数据类型的方法如下：

from pyspark.sql.types import StructType,StructField, StringType, IntegerType

schema = StructType([ \
    StructField("employee",StringType(),True), \
    StructField("department",StringType(),True), \
    StructField("state",StringType(),True), \
    StructField("salary", IntegerType(), True), \
    StructField("age", IntegerType(), True) \
  ])

df = spark.createDataFrame(data=data,schema=schema)

PySpark 可以通过如下代码来检查数据类型：

df.dtypes
# 查看数据类型 
df.printSchema()

💡 读写文件

Pandas 和 PySpark 中的读写文件方式非常相似。具体语法对比如下：

💦 Pandas

df = pd.read_csv(path, sep=';', header=True)
df.to_csv(path, ';', index=False)

💦 PySpark

df = spark.read.csv(path, sep=';')
df.coalesce(n).write.mode('overwrite').csv(path, sep=';')

注意 ①

PySpark 中可以指定要分区的列：

df.partitionBy("department","state").write.mode('overwrite').csv(path, sep=';')

注意 ②

可以通过上面所有代码行中的 parquet 更改 CSV 来读取和写入不同的格式，例如 parquet 格式

💡 数据选择 - 列

💦 Pandas

在 Pandas 中选择某些列是这样完成的：

columns_subset = ['employee', 'salary']

df[columns_subset].head()

df.loc[:, columns_subset].head()

💦 PySpark

在 PySpark 中，我们需要使用带有列名列表的 select 方法来进行字段选择：

columns_subset = ['employee', 'salary']

df.select(columns_subset).show(5)

💡 数据选择 - 行

💦 Pandas

Pandas可以使用 iloc对行进行筛选：

# 头2行
df.iloc[:2].head()

💦 PySpark

在 Spark 中，可以像这样选择前 n 行：

df.take(2).head()
# 或者
df.limit(2).head()

注意：使用 spark 时，数据可能分布在不同的计算节点上，因此“第一行”可能会随着运行而变化。

💡 条件选择

💦 Pandas

Pandas 中根据特定条件过滤数据/选择数据的语法如下：

# First method
flt = (df['salary'] >= 90_000) & (df['state'] == 'Paris')
filtered_df = df[flt]

# Second Method: Using query which is generally faster
filtered_df = df.query('(salary >= 90_000) and (state == "Paris")')
# Or
target_state = "Paris"
filtered_df = df.query('(salary >= 90_000) and (state == @target_state)')

💦 PySpark

在 Spark 中，使用 filter方法或执行 SQL 进行数据选择。语法如下：

# 方法1：基于filter进行数据选择
filtered_df = df.filter((F.col('salary') >= 90_000) & (F.col('state') == 'Paris'))

# 或者
filtered_df = df.filter(F.expr('(salary >= 90000) and (state == "Paris")'))

# 方法2：基于SQL进行数据选择
df.createOrReplaceTempView("people")

filtered_df = spark.sql("""
SELECT * FROM people
WHERE (salary >= 90000) and (state == "Paris")
""")

💡 添加字段

💦 Pandas

在 Pandas 中，有几种添加列的方法：

seniority = [3, 5, 2, 4, 10]
# 方法1
df['seniority'] = seniority

# 方法2
df.insert(2, "seniority", seniority, True)

💦 PySpark

在 PySpark 中有一个特定的方法withColumn可用于添加列：

seniority = [3, 5, 2, 4, 10]
df = df.withColumn('seniority', seniority)

💡 dataframe拼接

💦 2个dataframe - pandas

# pandas拼接2个dataframe
df_to_add = pd.DataFrame(data=[("Robert","Advertisement","Paris",55000,27)], columns=columns)
df = pd.concat([df, df_to_add], ignore_index = True)

💦 2个dataframe - PySpark

# PySpark拼接2个dataframe
df_to_add = spark.createDataFrame([("Robert","Advertisement","Paris",55000,27)]).toDF(*columns)
df = df.union(df_to_add)

💦 多个dataframe - pandas

# pandas拼接多个dataframe
dfs = [df, df1, df2,...,dfn]
df = pd.concat(dfs, ignore_index = True)

💦 多个dataframe - PySpark

PySpark 中 unionAll 方法只能用来连接两个 dataframe。我们使用 reduce 方法配合unionAll来完成多个 dataframe 拼接:

# pyspark拼接多个dataframe
from functools import reduce
from pyspark.sql import DataFrame

def unionAll(*dfs):
    return reduce(DataFrame.unionAll, dfs)

dfs = [df, df1, df2,...,dfn]
df = unionAll(*dfs)

💡 简单统计

Pandas 和 PySpark 都提供了为 dataframe 中的每一列进行统计计算的方法，可以轻松对下列统计值进行统计计算：

列元素的计数
列元素的平均值
最大值
最小值
标准差
三个分位数：25%、50% 和 75%

Pandas 和 PySpark 计算这些统计值的方法很类似，如下：

💦 Pandas & PySpark

df.summary()
#或者
df.describe()

💡 数据分组聚合统计

Pandas 和 PySpark 分组聚合的操作也是非常类似的：

💦 Pandas

df.groupby('department').agg({'employee': 'count', 'salary':'max', 'age':'mean'})

💦 PySpark

df.groupBy('department').agg({'employee': 'count', 'salary':'max', 'age':'mean'})

但是，最终显示的结果需要一些调整才能一致。

在 Pandas 中，要分组的列会自动成为索引，如下所示：

要将其作为列恢复，我们需要应用 reset_index方法：

df.groupby('department').agg({'employee': 'count', 'salary':'max', 'age':'mean'}).reset_index()

在 PySpark 中，列名会在结果dataframe中被重命名，如下所示：

要恢复列名，可以像下面这样使用别名方法：

df.groupBy('department').agg(F.count('employee').alias('employee'), F.max('salary').alias('salary'), F.mean('age').alias('age'))

💡 数据转换

在数据处理中，我们经常要进行数据变换，最常见的是要对「字段/列」应用特定转换，在Pandas中我们可以轻松基于apply函数完成，但在PySpark 中我们可以使用udf（用户定义的函数）封装我们需要完成的变换的Python函数。

例如，我们对salary字段进行处理，如果工资低于 60000，我们需要增加工资 15%，如果超过 60000，我们需要增加 5%。

💦 Pandas

Pandas 中的语法如下：

df['new_salary'] = df['salary'].apply(lambda x: x*1.15 if x<= 60000 else x*1.05)

💦 Pyspark

PySpark 中的等价操作下：

from pyspark.sql.types import FloatType

df.withColumn('new_salary', F.udf(lambda x: x*1.15 if x<= 60000 else x*1.05, FloatType())('salary'))

⚠️ 请注意， udf方法需要明确指定数据类型（在我们的例子中为 FloatType）

💡 总结

本篇内容中， ShowMeAI 给大家总结了Pandas和PySpark对应的功能操作细节，我们可以看到Pandas和PySpark的语法有很多相似之处，但是要注意一些细节差异。

另外，大家还是要基于场景进行合适的工具选择：

在处理大型数据集时，使用 PySpark 可以为您提供很大的优势，因为它允许并行计算。
如果您正在使用的数据集很小，那么使用Pandas会很快和灵活。

参考资料

📘 图解数据分析：从入门到精通系列教程：https://www.showmeai.tech/tutorials/33
📘 图解大数据技术：从入门到精通系列教程：https://www.showmeai.tech/tutorials/84
📘 图解机器学习算法：从入门到精通系列教程：https://www.showmeai.tech/tutorials/34
📘 数据科学工具库速查表 | Spark RDD 速查表：https://www.showmeai.tech/article-detail/106
📘 数据科学工具库速查表 | Spark SQL 速查表：https://www.showmeai.tech/article-detail/107

开放原子开发者工作坊

开放原子开发者工作坊旨在鼓励更多人参与开源活动，与志同道合的开发者们相互交流开发经验、分享开发心得、获取前沿技术趋势。工作坊有多种形式的开发者活动，如meetup、训练营等，主打技术交流，干货满满，真诚地邀请各位开发者共同参与！

更多推荐

第二届开放原子大赛首批创新成果集结武汉，诚邀广大开发者共鉴开源技术盛宴

开放原子开发者工作坊

诚邀报名 | 开源基础设施能力建设分论坛：打造开源生态的“心脏”

开放原子开发者工作坊

诚邀报名 | 编程语言分论坛：AI时代的技术革新与开源实践

开放原子开发者工作坊

所有评论(0)

查看更多评论

ShowMeAI

@ShowMeAI

已为社区贡献11条内容