pyspark dataframe

pyspark dataframe是一种基于Spark的分布式数据处理框架，用于处理大规模数据集。它提供了类似于SQL的查询语言和丰富的数据操作功能，可以进行数据筛选、转换、聚合等操作。

以下是两个pyspark dataframe的例子：

1. 使用isin()对数据进行筛选：

from pyspark.sql import Row

# 创建数据
data = [Row(name='Alice', score=78), Row(name='Bob', score=69), Row(name='Jack', score=100)]
df = spark.createDataFrame(data)

 使用isin()筛选数据
df.select(df.score.isin([69, 78])).show()

输出：

+--+
|(score IN (69,78))|
+--+
|              true|
|              true|
|             false|
+--+

2. 读取csv文件并显示前10行数据：

from pyspark.sql import SparkSession
from pyspark.sql.types import *

# 创建SparkSession
spark = SparkSession.builder.appName("csvRDD").getOrCreate()

# 定义schema
schema = StructType([
    StructField('State', StringType()),
    StructField('Color', StringType()),    StructField('Count', IntegerType())
])

# 读取csv文件
df = spark.read.format('csv').option("header", True).schema(schema).load(r'/data/mnm_dataset.csv')

# 显示前10行数据
df.show(10)

输出：

+--+--+--+
|State|Color|Count|
+--+--+--+
|   CA| Brown|   36|
|   CA| Brown|   29|
|   CA| Brown|   39|
|   CA| Brown|   38|
|   CA| Brown|   28|
|   CA| Brown|   35|
|   CA| Brown|   41|
|   CA| Brown|   33|
|   CA| Brown|   36|
|   CA| Brown|   32|
+--+--+--+