Spark大數據分析中涉及到RDD、Data Frame和SparkSQL的操作，本文簡要介紹三種方式在數據統計中的算子使用。

---

1、在IPython Notebook運行Python Spark程序

IPython Notebook具備交互式界面，可以在Web界面輸入Python命令后立刻看到結果，還可將數據分析的過程和運行后的命令與結果存儲成筆記本，下次可以打開筆記本，重新執行這些命令，IPython Notebook筆記本可以包含文字、數學公式、程序代碼、結果、圖形等。

1.1 安裝IPython

1)若無gcc，需先安裝gcc

[root@tango-spark01 /]# gcc –v
[root@tango-spark01 /]# yum install gcc

2)若無pip，安裝pip

[root@tango-spark01 /]# pip –v
[root@tango-spark01 /]# wget https://bootstrap.pypa.io/get-pip.py --no-check-certificate

3)安裝Python開發包

[root@tango-spark01 /]# yum install python-devel

4)執行以下命令安裝IPython和IPython Notebook：

[root@tango-spark01 /]# pip install ipython
[root@tango-spark01 /]# pip install urllib3
[root@tango-spark01 /]# pip install jupyter

5)輸入ipython進入交互界面

6)輸入jupyter notebook

1.2 IPython配置

1)創建遠程連接密碼

In [2]: from notebook.auth import passwd;
In [3]: passwd()
Enter password:
Verify password:
Out[3]: 'sha1:fea9052f4d92:114eb32c684004bf4a6196faac0b26a28156fe5d'

2)生成jupyter配置文件

[root@tango-spark01 /]# jupyter notebook --generate-config
Writing default config to: /root/.jupyter/jupyter_notebook_config.py

3)打開配置文件，設置以下內容

## The IP address the notebook server will listen on.
#c.NotebookApp.ip = 'localhost'
c.NotebookApp.ip = '0.0.0.0'
## The directory to use for notebooks and kernels.
#c.NotebookApp.notebook_dir = u''
c.NotebookApp.notebook_dir = u'/usr/local/spark/ipynotebook'
## Hashed password to use for web authentication.
# To generate, type in a python/IPython shell:
# from notebook.auth import passwd; passwd()
# The string should be of the form type:salt:hashed-password.
#c.NotebookApp.password = u''
c.NotebookApp.password = u'sha1:fea9052f4d92:114eb32c684004bf4a6196faac0b26a28156fe5d'

4)打開jupyter notebook

[root@tango-spark01 /]# jupyter notebook --allow-root
[I 14:20:05.618 NotebookApp] Serving notebooks from local directory: /usr/local/spark/ipynotebook
[I 14:20:05.618 NotebookApp] The Jupyter Notebook is running at:
[I 14:20:05.619 NotebookApp] http://(tango-spark01 or 127.0.0.1):8888/
[I 14:20:05.619 NotebookApp] Use Control-C to stop this server and shut down all kernels (twice to skip confirmation).
[W 14:20:05.619 NotebookApp] No web browser found: could not locate runnable browser.
[I 14:21:00.346 NotebookApp] 302 GET / (192.168.112.1) 2.50ms
[I 14:21:00.352 NotebookApp] 302 GET /tree? (192.168.112.1) 1.71ms
[I 14:22:16.241 NotebookApp] 302 POST /login?next=%2Ftree%3F (192.168.112.1) 1.58ms

5)瀏覽器輸入地址和端口

輸入密碼登錄進去

1.3 在IPython Notebook中使用Spark

1)進入ipynotebook工作目錄

[root@tango-spark01 /]# cd /usr/local/spark/ipynotebook
[root@tango-spark01 ipynotebook]#

2)在IPython Notebook界面中運行pyspark

[root@tango-spark01 ipynotebook]# PYSPARK_DRIVER_PYTHON=jupyter PYSPARK_DRIVER_PYTHON_OPTS="notebook" pyspark

3)單擊New選擇Python 2，新建Notebook

4)新建Notebook后會出現新的頁面，默認notebook名稱為Untitled，單擊后修改名稱

5)在Notebook運行程序代碼

6)保存Notebook下次可繼續打開使用

2、Spark SQL、DataFrame、RDD數據統計與可視化

2.1 RDD、DataFrame和Spark SQL比較

RDD和Data Frame都是Spark平臺下分布式彈性數據集，都有惰性機制，在進行創建、轉換時不會立即執行，等到Action時才會遍歷運算。

RDD API進行數據統計，主要使用map配合reduceByKey，需要有Map/Reduce概念

與RDD不同的是Data Frame更像是傳統的數據庫表格，除了數據以外，還記錄了數據的結構信息

Spark SQL則是由DataFrame派生出來，必須先創建DataFrame，然后通過登錄Spark SQL temp table就可以使用Spark SQL語句，直接使用SQL語句進行查詢

下表列出在進行數據統計計算時候，RDD、Data Frame和Spark SQL使用的不同方法。

Items功能描述

RDD API	userRDD.map(lambda x:(x[2],1)).reduceByKey(lambda x,y: x+y).collect()
DataFrame	user_df.select(“gender”).groupby(“gender”).count().show()
Spark SQL	sqlContext.sql(“””SELECT gender,count(*) counts FROM user_table GROUP BY gender”””).show()

2.2 創建RDD、DataFrame和Spark SQL

在Hadoop YARN-client模式運行IPython Notebook

[root@tango-spark01 ipynotebook]# PYSPARK_DRIVER_PYTHON=jupyter PYSPARK_DRIVER_PYTHON_OPTS="notebook" HADOOP_CONF_DIR=/usr/local/spark/hadoop-2.9.0/etc/hadoop pyspark --master yarn --deploy-mode client

• 創建RDD

1)配置文件讀取路徑

global Path
if sc.master[0:5] =="local":
Path="file:/usr/local/spark/ipynotebook/"
else:
Path="hdfs://tango-spark01:9000/input/"

如果sc.master[0:5]是“local”，代表當前在本地運行，讀取本地文件

如果sc.master[0:5]不是“local”，有可能是YARN client或Spark Stand Alone，必須讀取HDFS文件

2)讀取文本文件并且查看數據項數

RawUserRDD=sc.textFile(Path+"data/u.user")
RawUserRDD.count()
RawUserRDD.take(5)

3)獲取每一個字段

userRDD= RawUserRDD.map(lambda line:line.split("|"))
userRDD.take(5)

• 創建Data Frame

1)創建sqlContext：在Spark早期版本中，spark context是Spark的入口、SQLContext是SQL入口、HiveContext是hive入口。在Spark 2.0中，使用Spark Session可同時具備spark context、sqlContext、HiveContext功能

sqlContext=SparkSession.builder.getOrCreate()

2)定義Schema：定義DataFrames的每個字段名與數據類型

from pyspark.sql import Row
user_Rows = userRDD.map(lambda p:
Row(userid=int(p[0]),age=int(p[1]),gender=p[2],occupation=p[3],zipcode=p[4]))
user_Rows.take(5)

3)創建DataFrames：使用sqlContext.createDataFrame()方法創建DataFrame

user_df=sqlContext.createDataFrame(user_Rows)
user_df.printSchema()

4)查看DataFrames數據

user_df.show(5)

5)為DataFrame創建別名：可以使用.alias幫DataFrame創建別名

df=user_df.alias("df")
df.show(5)

• 使用SparkSQL

創建DataFrame后，使用該DataFrame登錄Spark SQL temp table，登錄后可以使用Spark SQL

1)登錄臨時表

user_df.registerTempTable("user_table")

2)使用Spark SQL查看項數

sqlContext.sql("SELECT count(*) counts FROM user_table").show()

3)多行輸入Spark SQL語句，需要使用3個雙引號引住SQL

sqlContext.sql("""
SELECT count(*) counts
FROM user_table
""").show()

4)使用SparkSQL查看數據，限定數據項

sqlContext.sql("SELECT * FROM user_table").show()
sqlContext.sql("SELECT * FROM user_table").show(5)
sqlContext.sql("SELECT * FROM user_table LIMIT 5").show()

2.3 數據統計操作

2.3.1 篩選數據

• 使用RDD篩選數據

RDD中使用filter方法篩選每一項數據，配合lambda語句創建匿名函數傳入參數

userRDD.filter(lambda r:r[3]=='technician' and r[2]=='M' and r[1]=='24').take(5)

• 輸入DataFrames篩選數據

user_df.filter((df.occupation=='technician')&(df.gender=='M')&(df.age==24)).show()

• 使用Spark SQL篩選數據

sqlContext.sql("""
SELECT *
FROM user_table
where occupation='technician' and gender='M' and age=24""").show(5)

2.3.2 按字段給數據排序

• RDD按字段給數據排序

userRDD.takeOrdered(5,key=lambda x:int(x[1]))——升序排序
userRDD.takeOrdered(5,key=lambda x:-1*int(x[1]))——降序排序
userRDD.takeOrdered(5,key=lambda x:(-int(x[1]),x[2]))——多個字段排序

• 使用DataFrame排序

user_df.select("userid","occupation","gender","age").orderBy("age").show(5)——升序
user_df.select("userid","occupation","gender","age").orderBy("age",ascending=0).show(5)
df.orderBy(["age","gender"],ascending=[0,1]).show(5)——多個字段排序

• 使用Spark SQL排序

sqlContext.sql("""
SELECT userid,occupation,gender,age FROM user_table
order by age desc,gender""").show(5)

2.3.3 顯示不重復數據

• RDD顯示不重復數據

userRDD.map(lambda x:x[2]).distinct().collect()

• DataFrame顯示不重復數據

user_df.select("gender").distinct().show()

• Spark SQL顯示不重復數據

sqlContext.sql("select distinct gender FROM user_table").show()

2.3.4 分組統計數據

1)RDD分組統計數據

userRDD.map(lambda x:(x[2],1)).reduceByKey(lambda x,y:x+y).collect()

2)DataFrames分組統計數據

user_df.select("gender").groupby("gender").count().show()

3)Spark SQL分組統計數據

sqlContext.sql("""
SELECT gender,count(*) counts FROM user_table
group by gender""").show()

2.3.5 Join聯接數據

• 準備zipcode數據

1)拷貝數據到HDFS目錄下

[root@tango-spark01 data]# hadoop fs -copyFromLocal -f /usr/local/spark/ipynotebook/data/free-zipcode-database-Primary.csv /input/data

2)讀取并查看數據

Path="hdfs://tango-spark01:9000/input/"
rawDataWithHeader=sc.textFile(Path+"data/free-zipcode-database-Primary.csv")
rawDataWithHeader.take(5)

3)刪除第一項數據

header = rawDataWithHeader.first()
rawData = rawDataWithHeader.filter(lambda x:x !=header)

4)刪除特殊符號

rawData.first()
rData=rawData.map(lambda x:x.replace("\"",""))
rData.first()

5)獲取每一個字段

zipRDD=rData.map(lambda x:x.split(","))
zipRDD.first()

• 創建zipcode_tab

1)創建zipCode Row的schema

from pyspark.sql import Row
zipcode_data = zipRDD.map(lambda p:
Row(zipcode=int(p[0]),zipCodeType=p[1],city=p[2],state=p[3]))
zipcode_data.take(5)

2)Row類型數據創建DataFrames

zipcode_df=sqlContext.createDataFrame(zipcode_data)
zipcode_df.printSchema()

3)創建登錄臨時表

zipcode_df.registerTempTable("zipcode_table")
zipcode_df.show(10)

• Spark SQL聯接zipcode_table

sqlContext.sql("""
select u.*,z.city,z.state from user_table u
left join zipcode_table z ON u.zipcode=z.zipcode
where z.state='NY'
""").show(10)

2.3.6 使用Pandas DataFrame繪圖

• 按照不同的州統計并以直方圖顯示

1)轉換為Pandas DataFrames

import pandas as pd
GroupByState_pandas_df = GroupByState_df.toPandas().set_index('state')
GroupByState_pandas_df

2)使用Pandas DataFrames繪出直方圖

import matplotlib.pyplot as plt
#matplotlib inline
ax=GroupByState_pandas_df['count'].plot(kind='bar',title='State',figsize=(12,6),legend=True,fontsize=12)
plt.show()

• 按照不同的職業統計并以餅圖顯示

1)創建Occupation_df

Occupation_df=sqlContext.sql("""
SELECT u.occupation,count(*) counts
FROM user_table u
GROUP BY occupation
""")
Occupation_df.show(5)

2)創建Occupation_pandas_df

Occupation_pandas_df=Occupation_df.toPandas().set_index('occupation')
Occupation_pandas_df

3)用Pandas DataFrame是繪出餅圖PieChart

ax=Occupation_pandas_df['counts'].plot(kind='pie',
title='occupation',figsize=(8,8),startangle=90,autopct='%1.1f%%')
ax.legend(bbox_to_anchor=(1.05,1),loc=2,borderaxespad=0.)
plt.show()

kind='pie'：繪制餅圖

startangle=90：設置圖形旋轉角度

autopct='%1.1f%%'：設置顯示餅圖%

---

參考資料

Python+Spark 2.0+Hadoop機器學習與大數據實戰，林大貴

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的dataframe记录数_大数据系列之Spark SQL、DataFrame和RDD数据统计与可视化的全部內容，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。