前言
时至如今Pandas仍然是十分火热的基于Python的数据分析工具，与numpy、matplotlib称为数据分析三大巨头，是学习Python数据分析的必经之路。Pandas提供了大量能使我们快速便捷地处理数据的函数和方法，它是使Python成为强大而高效的数据分析环境的重要因素之一。因此我们做分布式数据分析也同样离不开Pandas的支持。Spark中的PySpark是内嵌有Pandas接口的：
使用方式和直接使用Pandas库是有所不同的，本篇文章将使用pyspark的pandas和pandas两种数据操作方式来展示pyspark的pandas该如何灵活使用来进行数据分析。
文章还是紧接上篇文章：
PySpark数据分析基础：PySpark基础功能及基础语法详解
一、Pandas数据结构
Pandas数据结构是通用了，共有六种数据结构，想要详细了解可以去看我这篇文章：一文速学-数据分析之Pandas数据结构和基本操作代码：
1.Series
Series要理解很简单，就像它的单词为系列的意思。类似与数据结构中的字典有索引和对应值，也可以理解为数组，在Series中的下标1,2,3,...索引对应它的不同值。
2.DataFrame
刚才从Series转化为DataFrame就可以看出DataFrame的格式就像一张表格，包含行和列索引。通过对应的行列对DataFrame进行操作，更像是对SQL中表格处理，两者有一定的类似之处。因此学过SQL的对DataFrane的操作更容易了解。
3.Time-Series
以时间为索引的Series。
4.Panel
三维的数组，可以理解为DataFrame的容器。
5.Panel4D
像Panel一样的4维数据容器。
6.PanelND
拥有factory集合，可以创建像Panel4D一样N维命名容器的模块。
后面四个用的场景十分少见，Series和DataFrame是最常用的数据类型，掌握这两个数据结构操作方法足够进行数据分析。
二、Pyspark实例创建
1.引入库
import pandas as pd import numpy as np import pyspark.pandas as ps from pyspark.sql import SparkSession
如果运行上述代码有 WARNING:root:‘PYARROW_IGNORE_TIMEZONE‘ environment variable was not set.可以加上：
import os os.environ["PYARROW_IGNORE_TIMEZONE"] = "1"
2.转换实现
通过传递值列表，在Spark上创建pandas，让pandas API在Spark上创建默认整数索引：
pyspark pandas series创建
和pandas是一样的
s = ps.Series([1, 3, 5, np.nan, 6, 8])
pyspark pandas dataframe创建
和pandas也是一样的：
ps_df=ps.DataFrame( {'name':['id1','id2','id3','id4'], 'old':[21,23,22,35], 'city':['杭州','北京','南昌','上海'] }, index=[1,2,3,4])
from_pandas转换
我们先用pandas创建一个普通的DataFrame：
pd_df=pd.DataFrame( {'name':['id1','id2','id3','id4'], 'old':[21,23,22,35], 'city':['杭州','北京','南昌','上海'] }, index=[1,2,3,4])
之后直接使用from_pandas开始转换就可以了:
1. ps_df=ps.from_pandas(pd_df) 2. type(ps_df)
Spark DataFrame转换
也可以通过Pandas的DataFrame转换为Spark DataFrame：
spark = SparkSession.builder.getOrCreate() sp_df=spark.createDataFrame(pd_df) sp_df.show()
通过Spark DataFrame转换为PySpark DataFrame：
ps_df=sp_df.pandas_api()
且和pandas一样查看数据类型方法是一样的：
ps_df.dtypes
Spark DataFrame中的数据在默认情况下并不保持自然顺序。
通过设置compute.ordered_head可以保持自然顺序,但它会导致内部排序的性能开销。
ps_df.head()
三、PySpark Pandas操作
1.读取行列索引
读取行索引：
ps_df.index
Int64Index([0, 1, 2, 3], dtype='int64')
读取列索引：
ps_df.columns
Index(['name', 'old', 'city'], dtype='object')
2.内容转换为数组
ps_df.to_numpy()
3.DataFrame统计描述
ps_df.describe()
描述的数值均为float
4.转置
ps_df.T
转置内容old列为int64，转置会报错，需要先转换为str再进行转置：
ps_df['old']=ps_df['old'].astype(str) ps_df.T
5.排序
按行索引排序
ps_df.sort_index(ascending=False)
按某列值排序
ps_df.sort_values(by='old')
