1? 聯表

df1.join(df2，連接條件，連接方式)

如：df1.join(df2,[df1.a==df2.a], "inner").show()

連接方式：字符串類型， 如 "left"? ， 常用的有：inner, cross, outer, full, full_outer, left, left_outer, right, right_outer;? ?默認是 inner

連接條件： df1["a"] == df2["a"] 或 "a" 或?df1.a == df2.a ， 如有多個條件的情況 如,[df1["a"] == df2["a"] ，df1["b"] == df2["b"]?] 或? (df.a > 1) & (df.b > 1)

需要注意的：

如果使用?"a" 進行連接，則會自動合并相同字段，只輸入一個。如??df1.join(df2，"a"，"left") 只輸出df1的 a字段，df2 的 a 字段是去掉了。

2 udf使用

需添加引用

from pyspark.sql.functions import udf

from pyspark.sql import functions as F

有兩種方式：

第一種

def get_tablename(a):

return "name"

get_tablename_udf = F.udf(get_tablename)

第二種

@udf

def get_tablename_udf?(a):

return "name"

兩種方式的調用是一樣的

df.withColumn("tablename", get_tablename_udf?(df[a"]))

3? 分組

使用groupBy方法

單個字段：df.groupBy("a") 或?df.groupBy(df.a)

多個字段：df.groupBy([df.a, df.b])?或?df.groupBy(["a", "b"])

需要注意的：

groupBy方法后面 一定要跟字段輸出方法,如：agg()、select()等

4? 查詢條件

使用 filter() 或 where() ，兩者一樣的。

單條件： df.filter(df.a > 1) 或 df.filter("a > 1")

多條件：df.filter("a > 1 and b > 0 ")? 或?df.filter((df.a > 1) & (df.b ==0))??或?df.filter((df.a > 1) | (df.b ==0))

5? 替換null值

使用?fillna() 或 fill()方法

df.fillna({"a":0, "b":""})

df.na.fill({"a":0, "b":""})

6? 排序

使用 orderBy() 或 sort()方法

df.orderBy(df.a.desc())

df.orderBy(df["age"].desc(), df["name"].desc())

df.orderBy(["age", "name"], ascending=[0, 1])

df.orderBy(["age", "name"], ascending=False)

需要注意的:

ascending 默認為True 升序， False 降序

7? 新增列

使用?withColumn() 或 alias()方法

df.withColumn("b",F.lit(999))

df.withColumn("b",df.a)

df.withColumn("b",df.a).withColumn("m","m1")

df.agg(F.lit(ggg).alias("b"))

df.select(F.lit(ggg).alias("b"))

需要注意的：

withColumn方法會覆蓋df里面原有的同名的列

8? 重命名列名

使用?withColumnRenamed() 方法

df.withColumnRenamed("a","a1").withColumnRenamed("m","m1")

需要注意的點：

確定要重命名的列在df里面存在

9? 創(chuàng)建新的DataFrame

使用createDataFrame()方法

第一種：spark.createDataFrame([(列1的數據, 列2的數據)], ['列名1', '列名2'])

第二種：spark.createDataFrame([{"列1":數據，“列2”：數據},{……}])

第三種：spark.createDataFrame([(列1的數據, 列2的數據)], '列名1: int, 列名2:string')

需要注意的：

數據集和列集合 個數要一致

spark為 SparkSession 對象， 例如：spark = SparkSession.builder.master("local").appName("Word Count").config("spark.some.config.option", "some-value").getOrCreate()

10? 并集

使用union() 或 unionAll() 方法

df.union(df1)

需要注意的：

這兩個方法都不會主動消除重復項的，如需要，在后面跟distinct() 如：df.union(df1).distinct()

這兩個方法都是按照數據列的擺放順序進行合并，而不是根據列名

兩個結果集的列 數量要保證一樣大小

11? 交集

使用?intersect()方法

df1.select("a").intersect(df2.select("a"))

返回 df1和df2 中 相同的a 字段

12? 差集

使用?subtract()方法

df1.select("a").subtract(df2.select("a"))

返回 df1 有，而df2 沒有的 a 字段值。

需要注意的：

取的是df1的數據

13? 判斷是否NULL值

使用isNull()方法 或 sql語句

df.where(df["a"].isNull())

df.where("a is null")

14? 在計算條件中加入判斷

使用when() 方法

df.select(when(df.age == 2, 1).alias("age"))

age列的值：當滿足when條件，則輸出1 ，否則，輸出NULL

多個條件 ：when((df.age == 2) & (df.name == '"name")?, 1)

15? 獲取前N條

使用 limit() 方法

結合orderBy使用

df = df.orderBy(df["PayAmount"].desc()).limit(500)

15? 進行排名

使用?rank().over() 方法

結合Window.orderBy()

from pyspark.sql.window import Window

df = pay_df.select("PayAmount", F.rank().over(Window.orderBy(pay_df["PayAmount"].desc())).alias('rank_id'))

16? ?刪除列

使用 drop() 方法

df = df.drop("a")

也可以用select() 輸出想要的列，從而達到刪除效果

16? 刪除重復項

使用dropDuplicates() 或 distinct() 方法

df =df.dropDuplicates()? //所有列去重

df =df.dropDuplicates(["a", "b"]) //指定列去重，其他列按順序取第一行值

df =df.distinct() //所有列去重

17? 包含某個字符

使用 contains() 方法

df = df.where(df["a"].contains("hello"))　　//查找? ?a字段中?包含了hello字符 的所有記錄

18? 轉大小寫

使用 upper() 或 lower() 方法

df = df.select(F.upper(df["a"]).alias("A") )? ?// 將a字段值轉為大寫

19 分組求總數

countDistinct()

count()

比如:

df = spark.createDataFrame([{"a": 1, "c":1}, {"a": 2, "c":1}])

df.groupBy('a').agg(

F.count('a').alias('c1'),

F.countDistinct('a').alias('c2')

)

c1 = 2

c2 = 1

總結

以上是生活随笔為你收集整理的pyspark 条件_pyspark 日常整理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。