【Spark系列5】Dataframe下常用算子API

Apache Spark DataFrame API 提供了丰富的方法来处理分布式数据集。以下是一些常见的 DataFrame API 类别和方法,但这不是一个完整的列表,因为 API 非常广泛。这些方法可以分为几个主要类别:

转换操作(Transformations)

这些方法不会立即执行,但会返回一个新的 DataFrame,通常用于构建计算的执行计划。

  • select(): 选择一列或多列。
  • filter(), where(): 根据给定的条件过滤行。
  • groupBy(): 根据某一列或多列对数据进行分组。
  • sort(), orderBy(): 根据一列或多列对数据进行排序。
  • join(): 将两个 DataFrame 根据指定的条件连接起来。
  • union(): 合并两个 DataFrame 的行。
  • withColumn(): 添加一个新列或替换一个现有列。
  • withColumnRenamed(): 重命名一个列。
  • drop(): 删除一列或多列。
  • distinct(): 返回一个只包含不同行的新 DataFrame。
  • groupBy().agg(): 分组后的聚合操作。
  • pivot(): 用于创建数据透视表。
  • window(): 定义窗口函数。
  • withWatermark(): 用于流数据处理中的事件时间。

动作操作(Actions)

这些方法会触发实际的计算过程,并返回结果到驱动程序或写入存储系统。

  • show(): 打印 DataFrame 的前几行。
  • count(): 返回 DataFrame 中的行数。
  • first(), head(): 返回 DataFrame 中的第一行。
  • collect(): 收集 DataFrame 的所有数据到驱动程序中的一个数组。
  • take(): 返回 DataFrame 的前 n 行。
  • toPandas(): 将 DataFrame 转换为 Pandas DataFrame(仅适用于能够适应单个机器内存的数据集)。
  • write(): 将 DataFrame 写入外部存储系统,如 HDFS、S3、数据库等。
  • save(): 将 DataFrame 保存为文件。

输入和输出(I/O)

  • read(): 用于读取数据成为 DataFrame。
  • write(): 用于将 DataFrame 写出到文件系统、数据库等。

缓存和持久化

  • cache(): 将 DataFrame 缓存到内存中。
  • persist(): 将 DataFrame 以指定的存储级别缓存。
  • unpersist(): 从缓存中移除 DataFrame。

其他操作

  • explain(): 打印出 DataFrame 的执行计划。
  • printSchema(): 打印出 DataFrame 的 schema 信息。
  • schema: 返回 DataFrame 的 schema。
  • columns: 返回 DataFrame 的列名列表。
  • dtypes: 返回列名和数据类型的列表。

UDFs(用户定义函数)

  • udf(): 定义一个新的用户定义函数。

Spark SQL

  • createOrReplaceTempView(): 创建一个临时视图,可以用 SQL 查询。
  • sql(): 执行 SQL 查询。

这些方法只是 Spark DataFrame API 的一部分。Spark 的 API 经常更新和扩展,具体的方法和功能可能会随着版本的不同而有所变化。为了获得最新和最完整的 API 列表,你应该查看官方的 Spark 文档。


相关推荐
Json_181790144802 小时前
An In-depth Look into the 1688 Product Details Data API Interface
大数据·json
lzhlizihang3 小时前
【spark的集群模式搭建】Standalone集群模式的搭建(简单明了的安装教程)
spark·standalone模式·spark集群搭建
WX187021128734 小时前
在分布式光伏电站如何进行电能质量的治理?
分布式
Qspace丨轻空间5 小时前
气膜场馆:推动体育文化旅游创新发展的关键力量—轻空间
大数据·人工智能·安全·生活·娱乐
Elastic 中国社区官方博客6 小时前
如何将数据从 AWS S3 导入到 Elastic Cloud - 第 3 部分:Elastic S3 连接器
大数据·elasticsearch·搜索引擎·云计算·全文检索·可用性测试·aws
Aloudata7 小时前
从Apache Atlas到Aloudata BIG,数据血缘解析有何改变?
大数据·apache·数据血缘·主动元数据·数据链路
不能再留遗憾了7 小时前
RabbitMQ 高级特性——消息分发
分布式·rabbitmq·ruby
水豚AI课代表7 小时前
分析报告、调研报告、工作方案等的提示词
大数据·人工智能·学习·chatgpt·aigc
茶馆大橘7 小时前
微服务系列六:分布式事务与seata
分布式·docker·微服务·nacos·seata·springcloud
材料苦逼不会梦到计算机白富美10 小时前
golang分布式缓存项目 Day 1
分布式·缓存·golang