💡 作者： 韩信子@ ShowMeAI
📘 大数据技术◉技能提升系列： https://www.showmeai.tech/tutorials/84
📘 数据分析实战系列： https://www.showmeai.tech/tutorials/40
📘 本文地址： https://www.showmeai.tech/article-detail/338
📢 声明：版权所有，转载请联系平台与作者并注明出处
📢 收藏 ShowMeAI查看更多精彩内容
Pandas 是每位数据科学家和 Python 数据分析师都熟悉的工具库，它灵活且强大具备丰富的功能，但在处理大型数据集时，它是非常受限的。
这种情况下，我们会过渡到 PySpark，结合 Spark 生态强大的大数据处理能力，充分利用多机器并行的计算能力，可以加速计算。不过 PySpark 的语法和 Pandas 差异也比较大，很多开发人员会感觉这很让人头大。
在本篇内容中， ShowMeAI 将对最核心的数据处理和分析功能，梳理 PySpark 和 Pandas 相对应的代码片段，以便大家可以无痛地完成 Pandas 到大数据 PySpark 的转换😉
大数据处理分析及机器学习建模相关知识， ShowMeAI制作了详细的教程与工具速查手册，大家可以通过如下内容展开学习或者回顾相关知识。
💡 导入工具库
在使用具体功能之前，我们需要先导入所需的库：
# pandas vs pyspark，工具库导入
import pandas as pd
import pyspark.sql.functions as FPySpark 所有功能的入口点是 SparkSession 类。通过 SparkSession 实例，您可以创建spark dataframe、应用各种转换、读取和写入文件等，下面是定义 SparkSession的代码模板：
from pyspark.sql import SparkSession
spark = SparkSession\
.builder\
.appName('SparkByExamples.com')\
.getOrCreate()💡 创建 dataframe
在 Pandas 和 PySpark 中，我们最方便的数据承载数据结构都是 dataframe，它们的定义有一些不同，我们来对比一下看看：
💦 Pandas
columns = ["employee","department","state","salary","age"]
data = [("Alain","Sales","Paris",60000,34),
("Ahmed","Sales","Lyon",80000,45),
("Ines","Sales","Nice",55000,30),
("Fatima","Finance","Paris",90000,28),
("Marie","Finance","Nantes",100000,40)]创建DataFrame的 Pandas 语法如下：
df = pd.DataFrame(data=data, columns=columns)
# 查看头2行
df.head(2)💦 PySpark
创建DataFrame的 PySpark 语法如下：
df = spark.createDataFrame(data).toDF(*columns)
# 查看头2行
df.limit(2).show()💡 指定列类型
💦 Pandas
Pandas 指定字段数据类型的方法如下：
types_dict = {
"employee": pd.Series([r[0] for r in data], dtype='str'),
"department": pd.Series([r[1] for r in data], dtype='str'),
"state": pd.Series([r[2] for r in data], dtype='str'),
"salary": pd.Series([r[3] for r in data], dtype='int'),
"age": pd.Series([r[4] for r in data], dtype='int')
}
df = pd.DataFrame(types_dict)Pandas 可以通过如下代码来检查数据类型：
df.dtypes💦 PySpark
PySpark 指定字段数据类型的方法如下：
from pyspark.sql.types import StructType,StructField, StringType, IntegerType
schema = StructType([ \
StructField("employee",StringType(),True), \
StructField("department",StringType(),True), \
StructField("state",StringType(),True), \
StructField("salary", IntegerType(), True), \
StructField("age", IntegerType(), True) \
])
df = spark.createDataFrame(data=data,schema=schema)PySpark 可以通过如下代码来检查数据类型：
df.dtypes
# 查看数据类型
df.printSchema() 💡 读写文件
Pandas 和 PySpark 中的读写文件方式非常相似。 具体语法对比如下：
💦 Pandas
df = pd.read_csv(path, sep=';', header=True)
df.to_csv(path, ';', index=False)💦 PySpark
df = spark.read.csv(path, sep=';')
df.coalesce(n).write.mode('overwrite').csv(path, sep=';')注意 ①
PySpark 中可以指定要分区的列：
df.partitionBy("department","state").write.mode('overwrite').csv(path, sep=';')注意 ②
可以通过上面所有代码行中的 parquet 更改 CSV 来读取和写入不同的格式，例如 parquet 格式
💡 数据选择 - 列
💦 Pandas
在 Pandas 中选择某些列是这样完成的：
columns_subset = ['employee', 'salary']
df[columns_subset].head()
df.loc[:, columns_subset].head()💦 PySpark
在 PySpark 中，我们需要使用带有列名列表的 select 方法来进行字段选择：
columns_subset = ['employee', 'salary']
df.select(columns_subset).show(5)💡 数据选择 - 行
💦 Pandas
Pandas可以使用 iloc对行进行筛选：
# 头2行
df.iloc[:2].head()💦 PySpark
在 Spark 中，可以像这样选择前 n 行：
df.take(2).head()
# 或者
df.limit(2).head()注意：使用 spark 时，数据可能分布在不同的计算节点上，因此“第一行”可能会随着运行而变化。
💡 条件选择
💦 Pandas
Pandas 中根据特定条件过滤数据/选择数据的语法如下：
# First method
flt = (df['salary'] >= 90_000) & (df['state'] == 'Paris')
filtered_df = df[flt]
# Second Method: Using query which is generally faster
filtered_df = df.query('(salary >= 90_000) and (state == "Paris")')
# Or
target_state = "Paris"
filtered_df = df.query('(salary >= 90_000) and (state == @target_state)')💦 PySpark
在 Spark 中，使用 filter方法或执行 SQL 进行数据选择。 语法如下：
# 方法1：基于filter进行数据选择
filtered_df = df.filter((F.col('salary') >= 90_000) & (F.col('state') == 'Paris'))
# 或者
filtered_df = df.filter(F.expr('(salary >= 90000) and (state == "Paris")'))
# 方法2：基于SQL进行数据选择
df.createOrReplaceTempView("people")
filtered_df = spark.sql("""
SELECT * FROM people
WHERE (salary >= 90000) and (state == "Paris")
""") 💡 添加字段
💦 Pandas
在 Pandas 中，有几种添加列的方法：
seniority = [3, 5, 2, 4, 10]
# 方法1
df['seniority'] = seniority
# 方法2
df.insert(2, "seniority", seniority, True)💦 PySpark
在 PySpark 中有一个特定的方法withColumn可用于添加列：
seniority = [3, 5, 2, 4, 10]
df = df.withColumn('seniority', seniority)💡 dataframe拼接
💦 2个dataframe - pandas
# pandas拼接2个dataframe
df_to_add = pd.DataFrame(data=[("Robert","Advertisement","Paris",55000,27)], columns=columns)
df = pd.concat([df, df_to_add], ignore_index = True)💦 2个dataframe - PySpark
# PySpark拼接2个dataframe
df_to_add = spark.createDataFrame([("Robert","Advertisement","Paris",55000,27)]).toDF(*columns)
df = df.union(df_to_add)💦 多个dataframe - pandas
# pandas拼接多个dataframe
dfs = [df, df1, df2,...,dfn]
df = pd.concat(dfs, ignore_index = True)💦 多个dataframe - PySpark
PySpark 中 unionAll 方法只能用来连接两个 dataframe。我们使用 reduce 方法配合unionAll来完成多个 dataframe 拼接:
# pyspark拼接多个dataframe
from functools import reduce
from pyspark.sql import DataFrame
def unionAll(*dfs):
return reduce(DataFrame.unionAll, dfs)
dfs = [df, df1, df2,...,dfn]
df = unionAll(*dfs)💡 简单统计
Pandas 和 PySpark 都提供了为 dataframe 中的每一列进行统计计算的方法，可以轻松对下列统计值进行统计计算：
- 列元素的计数
- 列元素的平均值
- 最大值
- 最小值
- 标准差
- 三个分位数：25%、50% 和 75%
Pandas 和 PySpark 计算这些统计值的方法很类似，如下：
💦 Pandas & PySpark
df.summary()
#或者
df.describe()💡 数据分组聚合统计
Pandas 和 PySpark 分组聚合的操作也是非常类似的：
💦 Pandas
df.groupby('department').agg({'employee': 'count', 'salary':'max', 'age':'mean'})💦 PySpark
df.groupBy('department').agg({'employee': 'count', 'salary':'max', 'age':'mean'})但是，最终显示的结果需要一些调整才能一致。
在 Pandas 中，要分组的列会自动成为索引，如下所示：
要将其作为列恢复，我们需要应用 reset_index方法：
df.groupby('department').agg({'employee': 'count', 'salary':'max', 'age':'mean'}).reset_index()
在 PySpark 中，列名会在结果dataframe中被重命名，如下所示：
要恢复列名，可以像下面这样使用别名方法：
df.groupBy('department').agg(F.count('employee').alias('employee'), F.max('salary').alias('salary'), F.mean('age').alias('age'))
💡 数据转换
在数据处理中，我们经常要进行数据变换，最常见的是要对「字段/列」应用特定转换，在Pandas中我们可以轻松基于apply函数完成，但在PySpark 中我们可以使用udf（用户定义的函数）封装我们需要完成的变换的Python函数。
例如，我们对salary字段进行处理，如果工资低于 60000，我们需要增加工资 15%，如果超过 60000，我们需要增加 5%。
💦 Pandas
Pandas 中的语法如下：
df['new_salary'] = df['salary'].apply(lambda x: x*1.15 if x<= 60000 else x*1.05)💦 Pyspark
PySpark 中的等价操作下：
from pyspark.sql.types import FloatType
df.withColumn('new_salary', F.udf(lambda x: x*1.15 if x<= 60000 else x*1.05, FloatType())('salary'))⚠️ 请注意， udf方法需要明确指定数据类型（在我们的例子中为 FloatType）
💡 总结
本篇内容中， ShowMeAI 给大家总结了Pandas和PySpark对应的功能操作细节，我们可以看到Pandas和PySpark的语法有很多相似之处，但是要注意一些细节差异。
另外，大家还是要基于场景进行合适的工具选择：
- 在处理大型数据集时，使用 PySpark 可以为您提供很大的优势，因为它允许并行计算。
- 如果您正在使用的数据集很小，那么使用Pandas会很快和灵活。
参考资料
- 📘 图解数据分析：从入门到精通系列教程：https://www.showmeai.tech/tutorials/33
- 📘 图解大数据技术：从入门到精通系列教程：https://www.showmeai.tech/tutorials/84
- 📘 图解机器学习算法：从入门到精通系列教程：https://www.showmeai.tech/tutorials/34
- 📘 数据科学工具库速查表 | Spark RDD 速查表：https://www.showmeai.tech/article-detail/106
- 📘 数据科学工具库速查表 | Spark SQL 速查表：https://www.showmeai.tech/article-detail/107
推荐阅读
- 🌍 数据分析实战系列 ：https://www.showmeai.tech/tutorials/40
- 🌍 机器学习数据分析实战系列：https://www.showmeai.tech/tutorials/41
- 🌍 深度学习数据分析实战系列：https://www.showmeai.tech/tutorials/42
- 🌍 TensorFlow数据分析实战系列：https://www.showmeai.tech/tutorials/43
- 🌍 PyTorch数据分析实战系列：https://www.showmeai.tech/tutorials/44
- 🌍 NLP实战数据分析实战系列：https://www.showmeai.tech/tutorials/45
- 🌍 CV实战数据分析实战系列：https://www.showmeai.tech/tutorials/46
- 🌍 AI 面试题库系列：https://www.showmeai.tech/tutorials/48
