无码人妻一区二区三区精品视频,丝袜人妻一区二区三区,大地中文在线观看

『 Spark 』7. 使用 Spark DataFrame 進行大數(shù)據(jù)分析 | Taotao's Zone
http://litaotao.github.io/spark-dataframe-introduction?s=inner

寫在前面
本系列是綜合了自己在學習spark過程中的理解記錄＋對參考文章中的一些理解＋個人實踐spark過程中的一些心得而來。寫這樣一個系列僅僅是為了梳理個人學習spark的筆記記錄，所以一切以能夠理解為主，沒有必要的細節(jié)就不會記錄了，而且文中有時候會出現(xiàn)英文原版文檔，只要不影響理解，都不翻譯了。若想深入了解，最好閱讀參考文章和官方文檔。
其次，本系列是基于目前最新的 spark 1.6.0 系列開始的，spark 目前的更新速度很快，記錄一下版本號還是必要的。最后，如果各位覺得內(nèi)容有誤，歡迎留言備注，所有留言 24 小時內(nèi)必定回復，非常感謝。
Tips: 如果插圖看起來不明顯，可以：1. 放大網(wǎng)頁；2. 新標簽中打開圖片，查看原圖哦；3. 點擊右邊目錄上方的 present mode 哦。

什么是 spark dataframe
先來看看官方原汁原味的文檔是怎么介紹的：
A DataFrame is a distributed collection of data
organized into named columns. It is conceptually equivalent to a table in a relational database
or a data frame in R/Python, but with richer optimizations
under the hood. DataFrames can be constructed from a wide array of sources such as:structured data files, tables in Hive, external databases, or existing RDDs
.
我們可以看到 spark dataframe 的幾個關鍵點：
分布式的數(shù)據(jù)集
類似關系型數(shù)據(jù)庫中的table，或者 excel 里的一張 sheet，或者 python/R 里的 dataframe
擁有豐富的操作函數(shù)，類似于 rdd 中的算子
一個 dataframe 可以被注冊成一張數(shù)據(jù)表，然后用 sql 語言在上面操作
豐富的創(chuàng)建方式已有的RDD
結構化數(shù)據(jù)文件
JSON數(shù)據(jù)集
Hive表
外部數(shù)據(jù)庫
為什么要用 spark dataframe
為什么要用 dataframe，從細節(jié)實現(xiàn)上來說，這個問題比較復雜，不過，基本上下面這張圖就能說明所有問題了：

spark-dataframe-flow.png

但是，本文是從基礎角度來說 spark dataframe，先不糾結這些細節(jié)問題，先了解一些基礎的原理和優(yōu)勢，關于上面那張圖里面的內(nèi)容，看后期安排，也許在之后第 15 篇左右會專門講。
DataFrame API 是在 R 和 Python data frame 的設計靈感之上設計的，具有以下功能特性：
從KB到PB級的數(shù)據(jù)量支持；
多種數(shù)據(jù)格式和多種存儲系統(tǒng)支持；
通過Spark SQL 的 Catalyst優(yōu)化器進行先進的優(yōu)化，生成代碼；
通過Spark無縫集成所有大數(shù)據(jù)工具與基礎設施；
為Python、Java、Scala和R語言（SparkR）API；

簡單來說，dataframe 能夠更方便的操作數(shù)據(jù)集，而且因為其底層是通過 spark sql 的 Catalyst優(yōu)化器生成優(yōu)化后的執(zhí)行代碼，所以其執(zhí)行速度會更快。總結下來就是，使用 spark dataframe 來構建 spark app，能：
write less : 寫更少的代碼
do more : 做更多的事情
faster : 以更快的速度

創(chuàng)建 dataframe
因為 spark sql，dataframe，datasets 都是共用 spark sql 這個庫的，三者共享同樣的代碼優(yōu)化，生成以及執(zhí)行流程，所以 sql，dataframe，datasets 的入口都是 sqlContext?？捎糜趧?chuàng)建 spark dataframe 的數(shù)據(jù)源有很多，我們就講最簡單的從結構化文件創(chuàng)建 dataframe。

spark-dataframe-3.jpg

step 1 : 創(chuàng)建 sqlContext

下面是我自己創(chuàng)建 spark sc 都模版：
sc_conf = SparkConf()

sc_conf.setAppName("03-DataFrame-01")

sc_conf.setMaster(SPARK_MASTER)

sc_conf.set('spark.executor.memory', '2g')

sc_conf.set('spark.logConf', True)

sc_conf.getAll()

try:

sc.stop()

time.sleep(1)

except:

sc = SparkContext(conf=sc_conf)

sqlContext = SQLContext(sc)

step 2 : 創(chuàng)建 dataframe，從 json 文件

數(shù)據(jù)文件說明：中國 A 股上市公司基本信息，可以在這里取到：stock_5.json

spark-dataframe-1.jpg

注：這里的 json 文件并不是標準的 json 文件，spark 目前也不支持讀取標準的 json 文件。你需要預先把標準的 json 文件處理成 spark 支持的格式: 每一行是一個 json 對象。
比如說，官網(wǎng)的 people.json
這個例子，它要求的格式是：
{"name":"Yin", "address":{"city":"Columbus","state":"Ohio"}}

{"name":"Michael", "address":{"city":null, "state":"California"}}

但對這個文件來看，標準的 json 格式只有下面兩種：
{"name": ["Yin", "Michael"],

"address":[

{"city":"Columbus","state":"Ohio"},

{"city":null, "state":"California"}

]

}

或者

[

{"name":"Yin", "address":{"city":"Columbus","state":"Ohio"}},

{"name":"Michael", "address":{"city":null, "state":"California"}}

]

所以在用 spark sql 來讀取一個 json 文件的時候，務必要提前處理好 json 的文件格式，這里我們已經(jīng)提前處理好了，文件如下所示：
{"ticker":"000001","tradeDate":"2016-03-30","exchangeCD":"XSHE","secShortName":"\u5e73\u5b89\u94f6\u884c","preClosePrice":10.43,"openPrice":10.48,"dealAmount":19661,"turnoverValue":572627417.1299999952,"highestPrice":10.7,"lowestPrice":10.47,"closePrice":10.7,"negMarketValue":126303384220.0,"marketValue":153102835340.0,"isOpen":1,"secID":"000001.XSHE","listDate":"1991-04-03","ListSector":"\u4e3b\u677f","totalShares":14308676200},

{"ticker":"000002","tradeDate":"2016-03-30","exchangeCD":"XSHE","secShortName":"\u4e07\u79d1A","preClosePrice":24.43,"openPrice":0.0,"dealAmount":0,"turnoverValue":0.0,"highestPrice":0.0,"lowestPrice":0.0,"closePrice":24.43,"negMarketValue":237174448154.0,"marketValue":269685994760.0,"isOpen":0,"secID":"000002.XSHE","listDate":"1991-01-29","ListSector":"\u4e3b\u677f","totalShares":11039132000}

df is short for dataframe

df = sqlContext.read.json('hdfs://10.21.208.21:8020/user/mercury/stock_5.json')

print df.printSchema()

print df.select(['ticker', 'secID', 'tradeDate', 'listDate', 'openPrice', 'closePrice',

'highestPrice', 'lowestPrice', 'isOpen']).show(n=5)

spark-dataframe-2.jpg

操作 dataframe
同 rdd 一樣，dataframe 也有很多專屬于自己的算子，用于操作整個 dataframe 數(shù)據(jù)集，我們以后都簡稱為 dataframe api 吧，用算子
， DSL
這類的稱呼對不熟悉的人來說不易理解，下面這里是完整的 api 列表：spark dataframe api
4.1 在 dataframe 上執(zhí)行 sql 語句

spark-dataframe-4.jpg

4.2 spark dataframe 與 pandas dataframe 轉(zhuǎn)換
一圖勝千言?。?br>

spark-dataframe-6.jpg

縱觀 spark 的誕生和發(fā)展，我覺得 spark 有一點做得非常明智：對同類產(chǎn)品的兼容。從大的方面來說，就像 spark 官網(wǎng)的這段話一樣: Runs Everywhere: Spark runs on Hadoop, Mesos, standalone, or in the cloud. It can access diverse data sources including HDFS, Cassandra, HBase, and S3.，spark 對 hadoop 系產(chǎn)品的兼容，讓 hadoop 系的開發(fā)人員可以輕松的從 hadoop 轉(zhuǎn)到 spark；從小的方面來說，spark 對一些細分工具也照顧 [兼容] 得很好，比如說 spark 推出了 dataframe，人家就可以支持 spark dataframe 和 pandas dataframe 的轉(zhuǎn)換。
熟悉 pandas dataframe 的都了解，pandas 里的 dataframe 可以做很多事情，比如說畫圖，保存為各種類型的文件，做數(shù)據(jù)分析什么的。我覺得，可以在 spark 的 dataframe 里做數(shù)據(jù)處理，分析的整個邏輯，然后可以把最后的結果轉(zhuǎn)化成 pandas 的 dataframe 來展示。當然，如果你的數(shù)據(jù)量小，也可以直接用 pandas dataframe 來做。

spark-dataframe-7.jpg
一些經(jīng)驗
5.1 spark json 格式問題
spark 目前也不支持讀取標準的 json 文件。你需要預先把標準的 json 文件處理成 spark 支持的格式: 每一行是一個 json 對象。
5.2 spark dataframe 和 pandas dataframe 選擇問題
如果數(shù)據(jù)量小，結構簡單，可以直接用 pandas dataframe 來做分析；如果數(shù)據(jù)量大，結構復雜 [嵌套結構]，那么推薦用 spark dataframe 來做數(shù)據(jù)分析，然后把結果轉(zhuǎn)成 pandas dataframe，用 pandas dataframe 來做展示和報告。
Next
ok，dataframe 簡單的也說了幾句了。我們先緩一緩，上個例子，再接著講起他的，例子的話就用一個我正在實踐的：用 spark 來做量化投資。
打開微信，掃一掃，點一點，棒棒的，^_

wechat_pay_6-6.png

參考文章
Spark SQL, DataFrames and Datasets Guide
Introducing DataFrames in Spark for Large Scale Data Science
From Webinar Apache Spark 1.5: What is the difference between a DataFrame and a RDD?
用Apache Spark進行大數(shù)據(jù)處理——第二部分：Spark SQL
An introduction to JSON support in Spark SQL
Spark新年福音：一個用于大規(guī)模數(shù)據(jù)科學的API——DataFrame
An introduction to JSON support in Spark SQL