DataFrame介绍
DataFrame是一种不可变的分布式数据集，这种数据集被组织成指定的列，类似于关系数据库中的表。如果你了解过pandas中的DataFrame，千万不要把二者混为一谈，二者从工作方式到内存缓存都是不同的。
DataFrame的作用
对于Spark来说，引入DataFrame之前，Python的查询速度普遍比使用RDD的Scala查询慢（Scala要慢两倍），通常情况下这种速度的差异来源于Python和JVM之间的通信开销。具体的时间差异如下图所示：
由上图可以看到，使用了DataFrame(DF)之后，Python的性能得到了很大的改进，对于SQL、R、Scala等语言的性能也会有很大的提升。
创建DataFrame
上一篇中我们了解了如何创建RDD，在创建DataFrame的时候，我们可以直接基于RDD进行转换。示例操作如下
- spark.read.json()
生成RDD：
stringJSONRDD=sc.parallelize((""" { "id": "123", "name": "Katie", "age": 19, "eyeColor": "brown" }""", """{ "id": "234", "name": "Michael", "age": 22, "eyeColor": "green" }""", """{ "id": "345", "name": "Simone", "age": 23, "eyeColor": "blue" }""") )
转换成DataFrame：
swimmersJSON=spark.read.json(stringJSONRDD)
- createOrReplaceTempView()
我们可以使用该函数进行临时表的创建。
swimmersJSON.createOrReplaceTempView("swimmersJSON")
DataFrame查询
我们可以使用DataFrame的API或者使用DataFrame的SQL查询。
- show()
使用show(n)方法，可以把前n行打印到控制台上（默认显示前十行）。
swimmersJSON.show()
- collect
使用collect可以返回行对象列表的所有记录。
swimmersJSON.collect()
- SQL查询
我们可以通过写SQL语句的形式对表格进行查询。
spark.sql("select * from swimmersJSON").collect()
DF和RDD的交互操作
- printSchema()
该方法可以用来打印出每个列的数据类型，我们称之为打印模式。
swimmersJSON.printSchema()
- StructType()
该方法可以用于编程指定的模式。
schema=StructType([ StructField("id", LongType(), True), StructField("name", StringType(), True), StructField("age", LongType(), True), StructField("eyeColor", StringType(), True) ])
- createDataFrame(XXRDD, schema)
该方法用于应用指定的schema模式并创建RDD。
swimmers=spark.createDataFrame(stringCSVRDD, schema)
利用DataFrame API进行查询
- count()
用于得到DataFrame的行数。
swimmers.count()
- 运行筛选语句
我们可以使用filter子句运行筛选语句，用select子句来指定要返回的列。
方法1：
swimmers.select("id", "age").filter("age = 22").show()
方法2：
swimmers.select("name", "eyeColor").filter("eyeColor like 'b%'").show()
总结
