关于人工智能:大数据开发Pandas转spark无痛指南⛵

Pandas灵便弱小，是数据分析必备工具库！但解决大型数据集时，需过渡到PySpark才能够施展并行计算的劣势。本文总结了Pandas与PySpark的外围性能代码段，把握即可丝滑切换。

作者：韩信子@ShowMeAI
大数据技术◉技能晋升系列：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
申明：版权所有，转载请分割平台与作者并注明出处
珍藏ShowMeAI查看更多精彩内容

Pandas 是每位数据科学家和 Python 数据分析师都相熟的工具库，它灵便且弱小具备丰盛的性能，但在解决大型数据集时，它是十分受限的。

这种状况下，咱们会过渡到 PySpark，联合 Spark 生态弱小的大数据处理能力，充分利用多机器并行的计算能力，能够减速计算。不过 PySpark 的语法和 Pandas 差别也比拟大，很多开发人员会感觉这很让人头大。

在本篇内容中， ShowMeAI 将对最外围的数据处理和剖析性能，梳理 PySpark 和 Pandas 绝对应的代码片段，以便大家能够无痛地实现 Pandas 到大数据 PySpark 的转换

大数据处理剖析及机器学习建模相干常识，ShowMeAI制作了具体的教程与工具速查手册，大家能够通过如下内容开展学习或者回顾相干常识。
图解数据分析：从入门到精通系列教程
图解大数据技术：从入门到精通系列教程
图解机器学习算法：从入门到精通系列教程
数据迷信工具库速查表 | Spark RDD 速查表
数据迷信工具库速查表 | Spark SQL 速查表

导入工具库

在应用具体性能之前，咱们须要先导入所需的库：

# pandas vs pyspark，工具库导入import pandas as pdimport pyspark.sql.functions as F

PySpark 所有性能的入口点是 SparkSession 类。通过 SparkSession 实例，您能够创立spark dataframe、利用各种转换、读取和写入文件等，上面是定义 SparkSession的代码模板：

from pyspark.sql import SparkSessionspark = SparkSession\.builder\.appName('SparkByExamples.com')\.getOrCreate()

创立 dataframe

在 Pandas 和 PySpark 中，咱们最不便的数据承载数据结构都是 dataframe，它们的定义有一些不同，咱们来比照一下看看：

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)]

创立DataFrame的 Pandas 语法如下：

df = pd.DataFrame(data=data, columns=columns)# 查看头2行df.head(2)

PySpark

创立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办法如下：

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 能够通过如下代码来查看数据类型：

df.dtypes

PySpark

PySpark 指定字段数据类型的办法如下：

from pyspark.sql.types import StructType,StructField, StringType, IntegerTypeschema = 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 能够通过如下代码来查看数据类型：

df.dtypes# 查看数据类型 df.printSchema()

读写文件

Pandas 和 PySpark 中的读写文件形式十分类似。具体语法比照如下：

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=';')

留神 ①

PySpark 中能够指定要分区的列：

df.partitionBy("department","state").write.mode('overwrite').csv(path, sep=';')

留神 ②

能够通过下面所有代码行中的 parquet 更改 CSV 来读取和写入不同的格局，例如 parquet 格局

数据抉择 - 列

Pandas

在 Pandas 中抉择某些列是这样实现的：

columns_subset = ['employee', 'salary']df[columns_subset].head()df.loc[:, columns_subset].head()

PySpark

在 PySpark 中，咱们须要应用带有列名列表的 select 办法来进行字段抉择：

columns_subset = ['employee', 'salary']df.select(columns_subset).show(5)

数据抉择 - 行

Pandas

Pandas能够应用 iloc对行进行筛选：

# 头2行df.iloc[:2].head()

PySpark

在 Spark 中，能够像这样抉择前 n 行：

df.take(2).head()# 或者df.limit(2).head()

留神：应用 spark 时，数据可能散布在不同的计算节点上，因而“第一行”可能会随着运行而变动。

条件抉择

Pandas

Pandas 中依据特定条件过滤数据/抉择数据的语法如下：

# First methodflt = (df['salary'] >= 90_000) & (df['state'] == 'Paris')filtered_df = df[flt]# Second Method: Using query which is generally fasterfiltered_df = df.query('(salary >= 90_000) and (state == "Paris")')# Ortarget_state = "Paris"filtered_df = df.query('(salary >= 90_000) and (state == @target_state)')

PySpark

在 Spark 中，应用 filter办法或执行 SQL 进行数据抉择。语法如下：

# 办法1：基于filter进行数据抉择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")'))# 办法2：基于SQL进行数据抉择df.createOrReplaceTempView("people")filtered_df = spark.sql("""SELECT * FROM peopleWHERE (salary >= 90000) and (state == "Paris")""")

增加字段

Pandas

在 Pandas 中，有几种增加列的办法：

seniority = [3, 5, 2, 4, 10]# 办法1df['seniority'] = seniority# 办法2df.insert(2, "seniority", seniority, True)

PySpark

在 PySpark 中有一个特定的办法withColumn可用于增加列：

seniority = [3, 5, 2, 4, 10]df = df.withColumn('seniority', seniority)

dataframe拼接

2个dataframe - pandas

# pandas拼接2个dataframedf_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dataframedf_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dataframedfs = [df, df1, df2,...,dfn]df = pd.concat(dfs, ignore_index = True)

多个dataframe - PySpark

PySpark 中 unionAll 办法只能用来连贯两个 dataframe。咱们应用 reduce 办法配合unionAll来实现多个 dataframe 拼接:

# pyspark拼接多个dataframefrom functools import reducefrom pyspark.sql import DataFramedef unionAll(*dfs):    return reduce(DataFrame.unionAll, dfs)dfs = [df, df1, df2,...,dfn]df = unionAll(*dfs)

简略统计

Pandas 和 PySpark 都提供了为 dataframe 中的每一列进行统计计算的办法，能够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 计算这些统计值的办法很相似，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十分相似的：

Pandas

df.groupby('department').agg({'employee': 'count', 'salary':'max', 'age':'mean'})

PySpark

df.groupBy('department').agg({'employee': 'count', 'salary':'max', 'age':'mean'})

然而，最终显示的后果须要一些调整能力统一。

在 Pandas 中，要分组的列会主动成为索引，如下所示：

要将其作为列复原，咱们须要利用 reset_index办法：

df.groupby('department').agg({'employee': 'count', 'salary':'max', 'age':'mean'}).reset_index()

在 PySpark 中，列名会在后果dataframe中被重命名，如下所示：

要复原列名，能够像上面这样应用别名办法：

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，咱们常常要进行数据变换，最常见的是要对「字段/列」利用特定转换，在Pandas中咱们能够轻松基于apply函数实现，但在PySpark 中咱们能够应用udf（用户定义的函数）封装咱们须要实现的变换的Python函数。

例如，咱们对salary字段进行解决，如果工资低于 60000，咱们须要减少工资 15%，如果超过 60000，咱们须要减少 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 FloatTypedf.withColumn('new_salary', F.udf(lambda x: x*1.15 if x<= 60000 else x*1.05, FloatType())('salary'))

⚠️ 请留神， udf办法须要明确指定数据类型（在咱们的例子中为 FloatType）

总结

本篇内容中， ShowMeAI 给大家总结了Pandas和PySpark对应的性能操作细节，咱们能够看到Pandas和PySpark的语法有很多相似之处，然而要留神一些细节差别。

另外，大家还是要基于场景进行适合的工具抉择：

在解决大型数据集时，应用 PySpark 能够为您提供很大的劣势，因为它容许并行计算。
如果您正在应用的数据集很小，那么应用Pandas会很快和灵便。

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
数据迷信工具库速查表 | Spark RDD 速查表：https://www.showmeai.tech/article-detail/106
数据迷信工具库速查表 | Spark SQL 速查表：https://www.showmeai.tech/article-detail/107

举荐浏览

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