确保运行了pyspark命令后，可以开始编写Python脚本，比如读取、处理数据或创建DataFrame。运行完毕后，使用键盘快捷键Ctrl + C停止进程，然后截图（如pyspark窗口和结果）。

在运行了`pyspark`命令后，你可以像在本地环境中使用Python一样操作Spark，例如：

1. **导入必要的库**：首先确保已导入`pyspark.sql`或`spark.implicits._`，以便使用Spark SQL API或Spark DataFrame API。

   from pyspark.sql import SparkSession
   spark = SparkSession.builder.appName('MyApp').getOrCreate()

2. **加载数据**：如果你有CSV或其他结构化数据，可以使用`SparkSession.read`加载。

   data_df = spark.read.format("csv").option("header", "true").load("/path/to/data.csv")

3. **数据预处理**：对数据进行清洗、转换，例如筛选、分组、聚合等操作。

   filtered_data = data_df.filter(data_df['column_name'] > 10)
   result = filtered_data.groupBy('another_column').sum('target_column')

4. **展示结果**：执行分析后，可以用`show()`或`write`命令查看结果或导出数据。

   result.show()
   result.write.mode("overwrite").csv("/path/to/output.csv")

5. **结束Spark会话**：运行完脚本后，使用`Ctrl + C`中断Spark任务，确保资源释放。

**截图示例**：
- 截图应包含 `pyspark` 环境中的Python交互式Shell（显示你的代码和运行结果）以及任何可视化图表或重要输出。
- 如果是DataFrame操作，截图可能包括DataFrame的信息视图、查询结果或者自定义绘制的图形。

**相关问题--:**
1. 在没有安装特定库的情况下，如何处理缺失的数据？
2. 怎么在PySpark环境下进行大规模数据的分布式计算？
3. 如何优化PySpark代码以提高性能？