学习总结

文章目录

学习总结
一、数据统计
二、分组聚合
Reference

一、数据统计

1.1 读取文件

步骤1：读取文件https://cdn.coggle.club/Pokemon.csv

import pandas as pd
from pyspark.sql import SparkSession
# 创建spark应用
spark = SparkSession.builder.appName('mypyspark').getOrCreate()
# 用python链接spark环境

from pyspark import SparkFiles
spark.sparkContext.addFile('https://cdn.coggle.club/Pokemon.csv')

df = spark.read.csv(SparkFiles.get('Pokemon.csv'), 
                    header = True,
                    inferSchema = True)
df.show(5)

在这里插入图片描述
并且我们将表头属性有.的部分进行更名：

#重命名
df = df.withColumnRenamed('Sp. Atk', 'Sp Atk')
df = df.withColumnRenamed('Sp. Def', 'Sp Def')

df.show(5)

在这里插入图片描述

1.2 保存读取的信息

步骤2：将读取的进行保存，表头也需要保存，这里可保存为csv或者json格式文件。

#df.write
df.write.csv(path='Pokemon.csv',mode='overwrite', header=True )

df.write.json(path='Pokemon.json',mode='overwrite' )

1.3 分析每列的类型，取值个数

步骤3：分析每列的类型，取值个数，这里就可以使用df.describe分析每列的最大值、最小值、平均值、方差等特性了（下面我只贴出HP的结果）。

for column in df.columns:
    df.describe(column).show()

在这里插入图片描述

1.4 分析每列是否包含缺失值

步骤4：分析每列是否包含缺失值，打印出有缺失值的样本数，占总数的比例。

df.filter(df['Type 2'].isNull()).count() # 386

# 转换成pandas，打印出每一列的缺失值个数
df.toPandas().isnull().sum()
# 结果：
Name            0
Type 1          0
Type 2        386
Total           0
HP              0
Attack          0
Defense         0
Sp Atk          0
Sp Def          0
Speed           0
Generation      0
Legendary       0
dtype: int64

打印出有缺失值的样本数，占总数的比例：

for col in df.columns:
    print(col, df.filter(df[col].isNull()).count()/df.count())
    
Name 0.0
Type 1 0.0
Type 2 0.4825
Total 0.0
HP 0.0
Attack 0.0
Defense 0.0
Sp Atk 0.0
Sp Def 0.0
Speed 0.0
Generation 0.0
Legendary 0.0

二、分组聚合

读取文件https://cdn.coggle.club/Pokemon.csv
和刚才的步骤一是一样的。

import pandas as pd
from pyspark.sql import SparkSession
# 创建spark应用
spark = SparkSession.builder.appName('mypyspark').getOrCreate()
# 用python链接spark环境

from pyspark import SparkFiles
spark.sparkContext.addFile('https://cdn.coggle.club/Pokemon.csv')

df = spark.read.csv(SparkFiles.get('Pokemon.csv'), 
                    header = True,
                    inferSchema = True)
df.show(5)

2.1 学习groupby分组聚合的使用

和sql的group by一样意思，分组聚合，下面找到Type 1对应数据进行分组和计数。

# Type 1 各种数量
df.groupby('Type 1').count().show(5)

还可以分组后（按照Type 1分组）计算每组内的HP平均值：

df.groupBy(['Type 1']).avg('HP').show(5)

+------+-----------------+
|Type 1|          avg(HP)|
+------+-----------------+
| Water|          72.0625|
|Poison|            67.25|
| Steel|65.22222222222223|
|  Rock|65.36363636363636|
|   Ice|             72.0|
+------+-----------------+
only showing top 5 rows

而如果是计算每组的个数：

# Type 1 各种数量
df.groupby('Type 1').count().show(5)

+------+-----+
|Type 1|count|
+------+-----+
| Water|  112|
|Poison|   28|
| Steel|   27|
|  Rock|   44|
|   Ice|   24|
+------+-----+
only showing top 5 rows

2.2 学习agg分组聚合的使用

和2.1一样实现分组后（按照Type 1分组）计算每组内的HP平均值，我们也可以用agg分组聚合，{'HP': 'mean'}为参数。

df.groupBy('Type 1').agg({'HP': 'mean'}).show(5)

+------+-----------------+
|Type 1|          avg(HP)|
+------+-----------------+
| Water|          72.0625|
|Poison|            67.25|
| Steel|65.22222222222223|
|  Rock|65.36363636363636|
|   Ice|             72.0|
+------+-----------------+
only showing top 5 rows

当数据量不是很多时，可以使用toPandas转成pandas的dataframe，然后使用pandas的各种函数：

df.toPandas().groupby('Type 1', as_index=False)['HP'].agg({'hp_mean': 'mean'})

在这里插入图片描述

2.3 transform的使用

transform的参数如下，可以看到需要传入一个函数（用于转换数据）。

DataFrame.transform(func: Callable[[…], Series], axis: Union[int, str] = 0, *args: Any, **kwargs: Any) → DataFrame

如果我们要按照Type 1分组后，求组内关于HP的平均值，可以将np.mean函数传入transform，具体介绍可以参考pyspark官方文档。

df.toPandas().groupby('Type 1')['HP'].transform(np.mean)

0      67.271429
1      67.271429
2      67.271429
3      67.271429
4      69.903846
         ...    
795    65.363636
796    65.363636
797    70.631579
798    70.631579
799    69.903846
Name: HP, Length: 800, dtype: float64