04.DataFrame常用API

Leefs 2021-07-16 PM 1426℃ 0条

# 04.DataFrame常用API

### 一、介绍

Spark SQL中的DataFrame类似于一张关系型数据表。在关系型数据库中对单表或进行的查询操作，在DataFrame中都可以通过调用其API接口来实现。可以参考，Scala提供的[DataFrame API](http://spark.apache.org/docs/2.2.0/api/scala/index.html#org.apache.spark.sql.Dataset)。

### 二、DataFrame操作

#### 2.1 Action操作

| 方法                    | 说明                                                         |
| ----------------------- | ------------------------------------------------------------ |
| collect()               | 返回值是一个数组，返回dataframe集合所有的行                  |
| collectAsList()         | 返回值是一个Java类型的数组，返回dataframe集合所有的行        |
| count()                 | 返回一个number类型的，返回dataframe集合的行数                |
| describe(cols: String*) | 返回一个通过数学计算的类表值(count, mean, stddev, min, and max)，这个可以传多个参数，中间用逗号分隔，如果有字段为空，那么不参与运算，只这对数值类型的字段。例如df.describe("age", "height").show() |
| first()                 | 返回第一行 ，类型是row类型                                   |
| head()                  | 返回第一行 ，类型是row类型                                   |
| head(n:Int)             | 返回n行 ，类型是row 类型                                     |
| show()                  | 返回dataframe集合的值默认是20行，返回类型是unit              |
| show(n:Int)             | 返回n行,返回值类型是unit                                     |
| table(n:Int)            | 返回n行,类型是row 类型                                       |

#### 2.2 DataFrame基本操作

| 方法                                       | 说明                                                         |
| ------------------------------------------ | ------------------------------------------------------------ |
| cache()                                    | 同步数据的内存                                               |
| columns                                    | 返回一个string类型的数组，返回值是所有列的名字               |
| dtypes                                     | 返回一个string类型的二维数组，返回值是所有列的名字以及类型   |
| explan()                                   | 打印执行计划 物理的                                          |
| explain(n:Boolean)                         | 输入值为 false 或者true ，返回值是unit 默认是false ，如果输入true将会打印 逻辑的和物理的 |
| isLocal                                    | 返回值是Boolean类型，如果允许模式是local返回true否则返回false |
| persist(newlevel:StorageLevel)             | 返回一个dataframe.this.type 输入存储模型类型                 |
| printSchema()                              | 打印出字段名称和类型 按照树状结构来打印                      |
| registerTempTable(tablename:String)        | 返回Unit ，将df的对象只放在一张表里面，这个表随着对象的删除而删除了 |
| schema                                     | 返回structType 类型，将字段名称和类型按照结构体类型返回      |
| toDF()                                     | 返回一个新的dataframe类型的                                  |
| toDF(colnames：String*)                    | 将参数中的几个字段返回一个新的dataframe类型                  |
| unpersist()                                | 返回dataframe.this.type 类型，去除模式中的数据               |
| unpersist(blocking:Boolean)                | 返回dataframe.this.type类型 true 和unpersist是一样的作用false 是去除RDD |
| toJSON()                                   | 把DataFrame转化为一个RDD字符串，每一行json数据对应RDD的每一条Row |
| createTempView(name:String)                | 把DataFrame注册临时视图，临时视图的生存时间取决于创建此DataFrame的SparkSession，如果此视图的name已经存在抛出TempTableAlreadyExistsException的异常 |
| createOrReplaceTempView(name:String)       | 创建或者替换视图，和 createTempView一样只是视图名称存在时不会抛出异常会取代之前的视图 |
| createGlobalTempView(name:String)          | 为DataFrame创建一个全局视图，此视图的生命周期取决于此Spark application，已存在是会抛出异常 |
| createOrReplaceGlobalTempView(name:String) | 为DataFrame创建活替换一个全局视图，此视图的生命周期取决于此Spark application，已存在不会抛出一样 会取代之前的视图 |

#### 2.3 结构化查询

DataFrame非常类似我们数据库中的表，可以在DataFrame上进行很多SQL类的操作。

| 方法 | 说明 | 示例 |
| ------------------------------------------------------------ | ------------------------------------------------------------ | ------------------------------------------------------------ |
| agg(expers:column*) | 返回dataframe类型 ，同数学计算求值 | df.agg(max("age"), avg("salary")) df.groupBy().agg(max("age"),avg("salary")) |
| agg(exprs:Map[String, String]) | 返回dataframe类型 ，同数学计算求值 map类型 | df.agg(Map("age" -> "max", "salary" -> "avg")) df.groupBy().agg(Map("age" -> "max", "salary" -> "avg")) |
| agg(aggExpr: (String, String), aggExprs: (String, String)*) | 返回dataframe类型 ，同数学计算求值 | df.agg(Map("age" -> "max", "salary" -> "avg")) df.groupBy().agg(Map("age" -> "max", "salary" -> "avg")) |
| apply(colName: String) | 返回column类型，捕获输入进去列的对象 | |
| as(alias: String) | 返回一个新的dataframe类型，就是原来的一个别名 | |
| col(colName: String) | 返回column类型，捕获输入进去列的对象 | |
| cube(col1: String, cols: String*) | 返回一个GroupedData类型，根据某些字段来汇总 | |
| distinct | 去重 返回一个dataframe类型 | |
| drop(col: Column) | 删除某列 返回dataframe类型 | |
| dropDuplicates(colNames: Array[String]) | 删除相同的列 返回一个dataframe | |
| except(other: DataFrame) | 返回一个dataframe，返回在当前集合存在的在其他集合不存在 | |
| explode[A, B](inputColumn: String, outputColumn: String)(f: (A) ⇒ TraversableOnce[B])(implicit arg0: scala.reflect.api.JavaUniverse.TypeTag[B]) | 返回值是dataframe类型，这个 将一个字段进行更多行的拆分 | `df.explode("name","names") {name :String=> name.split(" ")}.show();` 将name字段根据空格来拆分，拆分的字段放在names里面 |
| filter(conditionExpr: String) | 刷选部分数据，返回dataframe类型 | df.filter("age>10").show(); df.filter(df("age")>10).show(); df.where(df("age")>10).show(); |
| groupBy(col1: String, cols: String*) | 根据某写字段来汇总返回groupedate类型 | df.groupBy("age").agg(Map("age" ->"count")).show(); df.groupBy("age").avg().show() |
| intersect(other: DataFrame) | 返回一个dataframe，在2个dataframe都存在的元素 | |
| join(right: DataFrame, joinExprs: Column, joinType: String) | 一个是关联的dataframe，第二个关联的条件，第三个关联的类型：inner, outer, left_outer, right_outer, leftsemi | df.join(ds,df("name")===ds("name") and df("age")===ds("age"),"outer").show(); |
| limit(n: Int) | 返回dataframe类型 去n 条数据出来 | |
| na: DataFrameNaFunctions | 可以调用dataframenafunctions的功能区做过滤 df.na.drop().show(); 删除为空的行 | |
| orderBy(sortExprs: Column*) | 做alise排序 | |
| select(cols:string*) | dataframe 做字段的刷选 | df.select($"colA", $"colB" + 1) |
| selectExpr(exprs: String*) | 做字段的刷选 | df.selectExpr("name","name as names","upper(name)","age+1").show(); |
| sort(sortExprs: Column*) | 排序，默认是asc | df.sort(df("age").desc).show(); |
| unionAll(other:Dataframe) | 合并 | df.unionAll(ds).show(); |
| withColumnRenamed(existingName: String, newName: String) | 修改列表 | df.withColumnRenamed("name","names").show(); |
| withColumn(colName: String, col: Column) | 增加一列 | df.withColumn("aa",df("name")).show(); |
| exceptAll | 返回一个新的DataFrame，包含这个DataFrame的row但不在另一个DataFrame的row中，也作为SQL的标准，解决按列的位置而不是通过name | df1.exceptAll(df2).show() |
| toLocalIterator | 返回一个包含DataFrame所有Row的迭代器，迭代器将使用尽可能多的内存在这个DataFrame最大的分区 通过预读数据，他可能超过2个最大内存分区 | list(df.toLocalIterator()) |

标签: Spark, Spark SQL

非特殊说明，本博所有文章均为博主原创。

如若转载，请注明出处：https://lilinchao.com/archives/1335.html

上一篇 03.IDEA创建SparkSQL环境对象

下一篇 05.【转载】Dataset (DataFrame) 的基础操作（一）

04.DataFrame常用API

评论啦~

栏目分类

标签云

友情链接申请

04.DataFrame常用API

 评论啦~

 栏目分类

标签云

友情链接申请

评论啦~

栏目分类

标签云

友情链接申请