『 Spark 』7. 使用 Spark DataFrame 進行大數據分析 | 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,沒有必要的細節就不會記錄了,而且文中有時候會出現英文原版文檔,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,如果各位覺得內容有誤,歡迎留言備注,所有留言 24 小時內必定回復,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:
分布式的數據集
類似關系型數據庫中的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,類似于 rdd 中的算子
一個 dataframe 可以被注冊成一張數據表,然后用 sql 語言在上面操作
豐富的創建方式已有的RDD
結構化數據文件
JSON數據集
Hive表
外部數據庫-
為什么要用 spark dataframe
為什么要用 dataframe,從細節實現上來說,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,先不糾結這些細節問題,先了解一些基礎的原理和優勢,關于上面那張圖里面的內容,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級的數據量支持;
多種數據格式和多種存儲系統支持;
通過Spark SQL 的 Catalyst優化器進行先進的優化,生成代碼;
通過Spark無縫集成所有大數據工具與基礎設施;
為Python、Java、Scala和R語言(SparkR)API;
簡單來說,dataframe 能夠更方便的操作數據集,而且因為其底層是通過 spark sql 的 Catalyst優化器生成優化后的執行代碼,所以其執行速度會更快。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化,生成以及執行流程,所以 sql,dataframe,datasets 的入口都是 sqlContext。可用于創建 spark dataframe 的數據源有很多,我們就講最簡單的從結構化文件創建 dataframe。
spark-dataframe-3.jpg
step 1 : 創建 sqlContext
下面是我自己創建 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 : 創建 dataframe,從 json 文件
數據文件說明:中國 A 股上市公司基本信息,可以在這里取到:stock_5.json
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)
- 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 數據集,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 上執行 sql 語句
spark-dataframe-4.jpg
4.2 spark dataframe 與 pandas dataframe 轉換
一圖勝千言啊:
spark-dataframe-6.jpg
縱觀 spark 的誕生和發展,我覺得 spark 有一點做得非常明智:對同類產品的兼容。從大的方面來說,就像 spark 官網的這段話一樣: 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 系產品的兼容,讓 hadoop 系的開發人員可以輕松的從 hadoop 轉到 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,做數據分析什么的。我覺得,可以在 spark 的 dataframe 里做數據處理,分析的整個邏輯,然后可以把最后的結果轉化成 pandas 的 dataframe 來展示。當然,如果你的數據量小,也可以直接用 pandas dataframe 來做。
spark-dataframe-7.jpg - 一些經驗
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
如果數據量小,結構簡單,可以直接用 pandas dataframe 來做分析;如果數據量大,結構復雜 [嵌套結構],那么推薦用 spark dataframe 來做數據分析,然后把結果轉成 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進行大數據處理——第二部分:Spark SQL
An introduction to JSON support in Spark SQL
Spark新年福音:一個用于大規模數據科學的API——DataFrame
An introduction to JSON support in Spark SQL
本系列文章鏈接
『 Spark 』1. spark 簡介
『 Spark 』2. spark 基本概念解析
『 Spark 』3. spark 編程模式
『 Spark 』4. spark 之 RDD
『 Spark 』5. 這些年,你不能錯過的 spark 學習資源
『 Spark 』6. 深入研究 spark 運行原理之 job, stage, task
『 Spark 』7. 使用 Spark DataFrame 進行大數據分析
『 Spark 』8. 實戰案例 | Spark 在金融領域的應用 | 日內走勢預測
『 Spark 』9. 搭建 IPython + Notebook + Spark 開發環境
『 Spark 』10. spark 應用程序性能優化|12 個優化方法
『 Spark 』11. spark 機器學習
『 Spark 』12. Spark 2.0 特性介紹
『 Spark 』13. Spark 2.0 Release Notes 中文版