PySpark читает и записывает файлы CSV в DataFrame.
PySpark читает и записывает файлы CSV в DataFrame.
В этой статье Юн Дуоцзюнь Воляи все узнают, как Воля. CSV документ, несколько CSV документиместныйдокумент В середине годаизвседокументчитатьприезжать PySpark DataFrame середина,Используйте несколько параметров, чтобы изменить строку по умолчанию для многократного использования. Не сохраняйте параметры. CSV документнапиши ответ DataFrame。

PySpark существовать DataFrameReader предоставлено наcsv("path")Воля CSV документчитать в PySpark DataFrame и сохрани или напиши CSV документиз ФункцияdataframeObj.write.csv("path"),существовать В этой статье Юн Дуоцзюнь Воляи все узнают, как Воля.местный Оглавлениесерединаизодинокийдокумент, несколькодокумент、вседокументчитать в DataFrame, примените некоторые преобразования и, наконец, используйте PySpark Примером может быть DataFrame напиши ответ CSV документ。

PySpark Поддерживает чтение с использованием вертикальной черты, запятой, табуляции, пробела или любого другого символа-разделителя документа. CSV документ。

Уведомление: готов к использованию из коробки PySpark Поддержка будет CSV、JSON и Болеедокумент Форматиздокументчитатьприезжать PySpark DataFrame середина.

Оглавление

  • Прочитать несколько CSV документ
  • читать Оглавлениесерединаизвсе CSV документ
  • читать CSV документчасиз Параметры
    • разделитель
    • логическая схема
    • заголовок
    • цитаты
    • nullValues
    • Формат даты (формат даты)
  • использовать Указано пользователемизмодельчитать CSV документ
  • Применить преобразование DataFrame
  • Воля DataFrame писать CSV документ
    • использовать Параметры
    • режим сохранения

Считать CSV-файл в DataFrame

Уседатафрамеридер из csv("path") или format("csv").load("path"),Может ли Воля CSV-документ читаться в PySpark DataFrame?, эти методы воля принимают чтение документа в качестве параметра. Когда использовать format("csv") методчас,Также можно указать источник данных по его полному имени.,Но для встроенных источников,может простоиспользоватьониизкороткое имя(csvjsonparquetjdbctext ждать).

Видеть GitHub начальствоизданныенаборzipcodes.csv。

Портал: https://github.com/spark-examples/pyspark-examples/blob/master/resources/zipcodes.csv)

Язык кода:javascript
копировать
spark = SparkSession.builder().master("local[1]")
          .appName("SparkByExamples.com")
          .getOrCreate()
df = spark.read.csv("/tmp/resources/zipcodes.csv")
df.printSchema()

использовать полное изданное имя источника, вы также можете сделать следующее.

Язык кода:javascript
копировать
df = spark.read.format("csv")
                  .load("/tmp/resources/zipcodes.csv")
# или
df = spark.read.format("org.apache.spark.sql.csv")
                  .load("/tmp/resources/zipcodes.csv")
df.printSchema()

этот Примером может бедныечитатьto DataFrame Список"_c0"середина,для первого столбцаи"_c1"второй столбец,И так далее. По умолчанию,Все эти типы столбцов рассматриваются как строки.

Язык кода:javascript
копировать
root
 |-- _c0: string (nullable = true)
 |-- _c1: string (nullable = true)
 |-- _c2: string (nullable = true)

1.1 Использование записей заголовков в качестве имен столбцов

Если входной документ имеет имя столбца из заголовка, вам необходимо указать заголовок Параметры использовать явно, не упоминая об этом. option("header", True),API Думайте о заголовках как о записях данных.

вам нужноиспользоватьoption("header", True)Явнодля"header"ПараметрыобозначениедляTrue,Если не установлено,тогда по умолчанию Воля "header" Название как запись данных.

Язык кода:javascript
копировать
df2 = spark.read.option("header",True) \
     .csv("/tmp/resources/zipcodes.csv")

# df2 = spark.read.csv("/tmp/resources/zipcodes.csv",header=True)

Как упоминалось ранее, PySpark По умолчанию Волявсе столбцы читать для строки (StringType). Я Волясуществовать назад, чтобы узнать, как от записи заголовка читать. schema (inferschema) и на основеданныепроизводнаяinferschemaСписоктип。

1.2 Чтение нескольких файлов CSV

использоватьread.csv()Метод в порядке Прочитать несколько csv документ,Просто передайте все имена документов через запятую для путей.,Например:

Язык кода:javascript
копировать
df = spark.read.csv("path1,path2,path3")

1.3 читать Оглавлениесерединаизвсе CSV документ

Только Воля Оглавлениеделатьдляcsv()методизпуть, пройденный кметод,Мы можем воля Оглавление из всех CSV-документов прочитать в DataFrame середина.

Язык кода:javascript
копировать
df = spark.read.csv("Folder path")

2. Параметры чтения файлов CSV

PySpark Обеспечивает разнообразную обработку данных CSV-документаSETИз параметров. Ниже приведены некоторые из наиболее важных параметров, объясненные на примерах.

Ссылки можно использовать option(self, key, value) Приходитьиспользовать Несколько Параметры。Долженметод Есть альтернативаметод:options(self, **options),Эффект тот же.

2.1 Delimiter

Параметры delimiter используется для указания CSV документировать разделитель столбцов. По умолчанию это запятая(,) характер。Можетиспользоватьэтот Параметры Воляего настройкидлялюбойхарактер,НапримерТруба (|), вкладка (\t), пробел. Все это должно быть основано на реальности. CSV dataSET документиз конкретной настройки формы.

Язык кода:javascript
копировать
df3 = spark.read.options(delimiter=',') \
  .csv("C:/PyDataStudio/zipcodes.csv")

2.2 InferSchema

Это значение параметра по умолчанию установлено для False,Настройки True , Spark автоматически определит тип столбца на основе данных.

Язык кода:javascript
копировать
df4 = spark.read.options(inferSchema='True',
                         delimiter=',') \
                .csv("PyDataStudio/zipcodes.csv")

или,также Можетчтобы передать ссылкуoption()метод Приходитьписатьэто。

Язык кода:javascript
копировать
df4 = spark.read.option("inferSchema",True) \
                .option("delimiter",",") \
                .csv("PyDataStudio/zipcodes.csv")

2.3 Header

Используйте этот параметр CSV Первая строка документа — для. По умолчанию это значение параметра False , и все типы столбцов считаются строками.

Язык кода:javascript
копировать
df5 = spark.read.options(header='True', 
                         inferSchema='True', 
                         delimiter=',') \
    .csv("PyDataStudio/zipcodes.csv")

2.4 Quotes

использовать, когда есть столбец с разделителем, используемым для разделения столбцов quotes Параметрыобозначениекавычкихарактер,По умолчанию это'',А разделитель Воля внутри кавычек игнорируется. Но эти параметры,Можно установить любой символ.

2.5 NullValues

использовать nullValues Параметры,Вы можете указать пустое значение в строке в формате CSV. Например,если Воля"1900-01-01"существовать DataFrame Установите значение null столбец «Дата».

2.6 DateFormat

Параметры dateFormat для настройки входа DateType и TimestampType Столбец в формате из параметров. Поддержать всех java.text.SimpleDateFormat Формат.

Уведомление: В дополнение к вышеуказанным параметрам PySpark CSV API также поддерживает множество других параметров.,Вы можете проверить официальную документацию PySpark.

3. Чтение файлов CSV, используя пользовательскую схему.

еслизнать заранеедокументиз Архитектураи Не хочуиспользоватьinferSchemaПараметры Приходитьобозначение Списокимяитип,пожалуйстаиспользоватьобозначениеиз Настроить СписокимяschemaииспользоватьschemaПараметрытип。

Язык кода:javascript
копировать
schema = StructType() \
      .add("RecordNumber",IntegerType(),True) \
      .add("Zipcode",IntegerType(),True) \
      .add("ZipCodeType",StringType(),True) \
      .add("City",StringType(),True) \
      .add("State",StringType(),True) \
      .add("LocationType",StringType(),True) \
      .add("Lat",DoubleType(),True) \
      .add("Long",DoubleType(),True) \
      .add("Xaxis",IntegerType(),True) \
      .add("Yaxis",DoubleType(),True) \
      .add("Zaxis",DoubleType(),True) \
      .add("WorldRegion",StringType(),True) \
      .add("Country",StringType(),True) \
      .add("LocationText",StringType(),True) \
      .add("Location",StringType(),True) \
      .add("Decommisioned",BooleanType(),True) \
      .add("TaxReturnsFiled",StringType(),True) \
      .add("EstimatedPopulation",IntegerType(),True) \
      .add("TotalWages",IntegerType(),True) \
      .add("Notes",StringType(),True)
      
df_with_schema = spark.read.format("csv") \
      .option("header", True) \
      .schema(schema) \
      .load("/PyDataStudio/zipcodes.csv")

4. Примените преобразование DataFrame.

от CSV документсоздавать DataFrame После этого вы можете подать заявку DataFrame поддерживатьизвсе Конвертироватьи Держатьделать。

5. Запишите DataFrame в файл CSV.

использоватьPySpark DataFrameWriter объектизwrite()метод Воля PySpark DataFrame писать CSV документ。

Язык кода:javascript
копировать
df.write.option("header",True) \
 .csv("/PyDataStudio/spark_output/zipcodes")

5.1 Options

существоватьписать CSV В документе вы можете использовать несколько параметров. Например, установите header для True Воля DataFrame Имена столбцов используются в качестве заголовков для записи вывода и использования. delimiterсуществовать CSV Указанный разделитель в выходном документе.

Язык кода:javascript
копировать
df2.write.options(header='True',
                  delimiter=',') \
         .csv("/PyDataStudio/spark_output/zipcodes")

Другие доступные параметры quote, escape, nullValue, dateFormat, quoteMode。специфический Можетпросмотреть официальную документацию。

5.2 Режим сохранения

PySpark DataFrameWriter Есть еще один mode() Метод для указания режима сохранения.

  • overwrite– Шаблон используется для перезаписи существующего документа.
  • append– Воляданные добавлены к существующему документу.
  • ignore– Игнорировать пишет, когда документ уже существует.
  • error– Это параметр по умолчанию, который возвращает ошибку, если документ уже существует.
Язык кода:javascript
копировать
df2.write.mode('overwrite') \
         .csv("/PyDataStudio/spark_output/zipcodes")
# Вы также можете написать так
df2.write.format("csv") \
         .mode('overwrite') \
         .save("/PyDataStudio/spark_output/zipcodes")

6. Полный пример чтения CSV с помощью PySpark.

Язык кода:javascript
копировать
import pyspark
from pyspark.sql import SparkSession
from pyspark.sql.types import StructType,StructField, StringType, IntegerType 
from pyspark.sql.types import ArrayType, DoubleType, BooleanType
from pyspark.sql.functions import col,array_contains

spark = SparkSession.builder.appName('SparkByExamples.com').getOrCreate()

df = spark.read.csv("/PyDataStudio/zipcodes.csv")

df.printSchema()

df2 = spark.read.option("header",True) \
     .csv("/PyDataStudio/zipcodes.csv")
df2.printSchema()
   
df3 = spark.read.options(header='True', delimiter=',') \
  .csv("/PyDataStudio/zipcodes.csv")
df3.printSchema()

schema = StructType() \
      .add("RecordNumber",IntegerType(),True) \
      .add("Zipcode",IntegerType(),True) \
      .add("ZipCodeType",StringType(),True) \
      .add("City",StringType(),True) \
      .add("State",StringType(),True) \
      .add("LocationType",StringType(),True) \
      .add("Lat",DoubleType(),True) \
      .add("Long",DoubleType(),True) \
      .add("Xaxis",IntegerType(),True) \
      .add("Yaxis",DoubleType(),True) \
      .add("Zaxis",DoubleType(),True) \
      .add("WorldRegion",StringType(),True) \
      .add("Country",StringType(),True) \
      .add("LocationText",StringType(),True) \
      .add("Location",StringType(),True) \
      .add("Decommisioned",BooleanType(),True) \
      .add("TaxReturnsFiled",StringType(),True) \
      .add("EstimatedPopulation",IntegerType(),True) \
      .add("TotalWages",IntegerType(),True) \
      .add("Notes",StringType(),True)
      
df_with_schema = spark.read.format("csv") \
      .option("header", True) \
      .schema(schema) \
      .load("/PyDataStudio/zipcodes.csv")
df_with_schema.printSchema()

df2.write.option("header",True) \
         .csv("/PyDataStudio/spark_output/zipcodes123")
boy illustration
Учебное пособие по Jetpack Compose для начинающих, базовые элементы управления и макет
boy illustration
Код js веб-страницы, фон частицы, код спецэффектов
boy illustration
【новый! Суперподробное】Полное руководство по свойствам компонентов Figma.
boy illustration
🎉Обязательно к прочтению новичкам: полное руководство по написанию мини-программ WeChat с использованием программного обеспечения Cursor.
boy illustration
[Забавный проект Docker] VoceChat — еще одно приложение для мгновенного чата (IM)! Может быть встроен в любую веб-страницу!
boy illustration
Как реализовать переход по странице в HTML (html переходит на указанную страницу)
boy illustration
Как решить проблему зависания и низкой скорости при установке зависимостей с помощью npm. Существуют ли доступные источники npm, которые могут решить эту проблему?
boy illustration
Серия From Zero to Fun: Uni-App WeChat Payment Practice WeChat авторизует вход в систему и украшает страницу заказа, создает интерфейс заказа и инициирует запрос заказа
boy illustration
Серия uni-app: uni.navigateЧтобы передать скачок значения
boy illustration
Апплет WeChat настраивает верхнюю панель навигации и адаптируется к различным моделям.
boy illustration
JS-время конвертации
boy illustration
Обеспечьте бесперебойную работу ChromeDriver 125: советы по решению проблемы chromedriver.exe не найдены
boy illustration
Поле комментария, щелчок мышью, специальные эффекты, js-код
boy illustration
Объект массива перемещения объекта JS
boy illustration
Как открыть разрешение на позиционирование апплета WeChat_Как использовать WeChat для определения местонахождения друзей
boy illustration
Я даю вам два набора из 18 простых в использовании фонов холста Power BI, так что вам больше не придется возиться с цветами!
boy illustration
Получить текущее время в js_Как динамически отображать дату и время в js
boy illustration
Вам необходимо изучить сочетания клавиш vsCode для форматирования и организации кода, чтобы вам больше не приходилось настраивать формат вручную.
boy illustration
У ChatGPT большое обновление. Всего за 45 минут пресс-конференция показывает, что OpenAI сделал еще один шаг вперед.
boy illustration
Copilot облачной разработки — упрощение разработки
boy illustration
Микросборка xChatGPT с низким кодом, создание апплета чат-бота с искусственным интеллектом за пять шагов
boy illustration
CUDA Out of Memory: идеальное решение проблемы нехватки памяти CUDA
boy illustration
Анализ кластеризации отдельных ячеек, который должен освоить каждый&MarkerгенетическийВизуализация
boy illustration
vLLM: мощный инструмент для ускорения вывода ИИ
boy illustration
CodeGeeX: мощный инструмент генерации кода искусственного интеллекта, который можно использовать бесплатно в дополнение к второму пилоту.
boy illustration
Машинное обучение Реальный бой LightGBM + настройка параметров случайного поиска: точность 96,67%
boy illustration
Бесшовная интеграция, мгновенный интеллект [1]: платформа больших моделей Dify-LLM, интеграция без кодирования и встраивание в сторонние системы, более 42 тысяч звезд, чтобы стать свидетелями эксклюзивных интеллектуальных решений.
boy illustration
LM Studio для создания локальных больших моделей
boy illustration
Как определить количество слоев и нейронов скрытых слоев нейронной сети?
boy illustration
[Отслеживание целей] Подробное объяснение ByteTrack и детали кода