Condividi tramite

Esercitazione: caricare e trasformare i dati usando DataFrame di Apache Spark

  • Articolo

Questa esercitazione mostra come caricare e trasformare i dati usando API DataFrame di Apache Spark Python (PySpark), API DataFrame di Apache Scala o API SparkR SparkDataFrame.

Al termine di questa esercitazione si comprenderà che cos'è un DataFrame e si avrà familiarità con i task seguenti:

Python

Vedere anche le Informazioni di riferimento sulle API PySpark per Apache Spark.

Scala

Vedere anche le Informazioni di riferimento sulle API Scala per Apache Spark.

R

Vedere anche le Informazioni di riferimento sulle API SparkR per Apache Spark.

Che cos'è un DataFrame?

Un dataframe è una struttura di dati con etichetta bidimensionale con colonne di tipi potenzialmente diversi. È possibile pensare a un dataframe come un foglio di calcolo, una tabella SQL o un dizionario di oggetti serie. I dataframe Apache Spark offrono un set completo di funzioni (selezionare colonne, filtri, join, aggregazioni) che consentono di risolvere in modo efficiente i problemi comuni di analisi dei dati.

I DataFrames di Apache Spark sono un'astrazione basata su Set di dati distribuiti resilienti (RDD). I dataframe Spark e Spark SQL usano un motore di pianificazione e ottimizzazione unificato, consentendo di ottenere prestazioni quasi identiche in tutti i linguaggi supportati in Azure Databricks (Python, SQL, Scala e R).

Requisiti

Per completare l’esercitazione seguente, è necessario soddisfare questi requisiti:

  • Per usare gli esempi di questa esercitazione, l'area di lavoro deve avere abilitata catalogo Unity.

  • Gli esempi in questa esercitazione usano un volume Unity per archiviare i dati di esempio. Per utilizzare questi esempi, crea un volume e usa i nomi di catalogo, schema e volume per impostare il percorso del volume utilizzato dagli esempi.

  • È necessario disporre delle autorizzazioni seguenti in Unity Catalog:

    • READ VOLUME e WRITE VOLUME o ALL PRIVILEGES per il volume usato per questa esercitazione.
    • USE SCHEMA o ALL PRIVILEGES per lo schema usato per questa esercitazione.
    • USE CATALOG o ALL PRIVILEGES per il catalogo usato per questo tutorial.

    Per impostare queste autorizzazioni, vedere l'amministratore di Databricks o i privilegi di Unity Catalog e gli oggetti a protezione diretta.

Suggerimento

Per un Notebook completo per questo articolo, vedere Notebook dell'esercitazione sul DataFrame.

Passaggio 1: Definire le variabili e caricare il file CSV

Questo passaggio definisce le variabili da usare in questo tutorial e quindi carica un file CSV contenente i dati sui nomi dei neonati da health.data.ny.gov nel volume di Unity Catalog.

  1. Aprire un nuovo Notebook facendo clic sull'icona icona Nuovo. Per informazioni su come esplorare i notebook di Azure Databricks, vedere Personalizzare l'aspetto del notebook.

  2. Copiare e incollare il codice seguente nella nuova cella vuota del Notebook. Sostituire <catalog-name>, <schema-name>e <volume-name> con i nomi di catalogo, schema e volume per un volume di Unity Catalog. Sostituire <table_name> con un nome di tabella a tua scelta. I dati relativi al nome del bambino verranno caricati in questa tabella più avanti in questa esercitazione.

    Python

    catalog = "<catalog_name>"
schema = "<schema_name>"
volume = "<volume_name>"
download_url = "https://health.data.ny.gov/api/views/jxy9-yhdk/rows.csv"
file_name = "rows.csv"
table_name = "<table_name>"
path_volume = "/Volumes/" + catalog + "/" + schema + "/" + volume
path_table = catalog + "." + schema
print(path_table) # Show the complete path
print(path_volume) # Show the complete path

    Scala

    val catalog = "<catalog_name>"
val schema = "<schema_name>"
val volume = "<volume_name>"
val downloadUrl = "https://health.data.ny.gov/api/views/jxy9-yhdk/rows.csv"
val fileName = "rows.csv"
val tableName = "<table_name>"
val pathVolume = s"/Volumes/$catalog/$schema/$volume"
val pathTable = s"$catalog.$schema"
print(pathVolume) // Show the complete path
print(pathTable) // Show the complete path

    R

    catalog <- "<catalog_name>"
schema <- "<schema_name>"
volume <- "<volume_name>"
download_url <- "https://health.data.ny.gov/api/views/jxy9-yhdk/rows.csv"
file_name <- "rows.csv"
table_name <- "<table_name>"
path_volume <- paste("/Volumes/", catalog, "/", schema, "/", volume, sep = "")
path_table <- paste(catalog, ".", schema, sep = "")
print(path_volume) # Show the complete path
print(path_table) # Show the complete path

  3. Premere Shift+Enter per eseguire la cella e creare una nuova cella vuota.

  4. Copiare e incollare il codice seguente nella nuova cella vuota del Notebook. Questo codice copia il file rows.csv da health.data.ny.gov nel volume di Unity Catalog utilizzando il comando dbutils di Databricks.

    Python

    dbutils.fs.cp(f"{download_url}", f"{path_volume}/{file_name}")

    Scala

    dbutils.fs.cp(downloadUrl, s"$pathVolume/$fileName")

    R

    dbutils.fs.cp(download_url, paste(path_volume, "/", file_name, sep = ""))

  5. Premere Shift+Enter per eseguire la cella e quindi passare alla cella successiva.

Passaggio 2: creare un DataFrame

Questo passaggio crea un DataFrame denominato df1 con dati di test e quindi ne visualizza il contenuto.

  1. Copiare e incollare il codice seguente nella nuova cella vuota del Notebook. Questo codice crea il dataframe con i dati di test e quindi visualizza il contenuto e lo schema del dataframe.

    Python

    data = [[2021, "test", "Albany", "M", 42]]
columns = ["Year", "First_Name", "County", "Sex", "Count"]

df1 = spark.createDataFrame(data, schema="Year int, First_Name STRING, County STRING, Sex STRING, Count int")
display(df1) # The display() method is specific to Databricks notebooks and provides a richer visualization.
# df1.show() The show() method is a part of the Apache Spark DataFrame API and provides basic visualization.

    Scala

    val data = Seq((2021, "test", "Albany", "M", 42))
val columns = Seq("Year", "First_Name", "County", "Sex", "Count")

val df1 = data.toDF(columns: _*)
display(df1) // The display() method is specific to Databricks notebooks and provides a richer visualization.
// df1.show() The show() method is a part of the Apache Spark DataFrame API and provides basic visualization.

    R

    # Load the SparkR package that is already preinstalled on the cluster.
library(SparkR)

data <- data.frame(
  Year = as.integer(c(2021)),
  First_Name = c("test"),
  County = c("Albany"),
  Sex = c("M"),
  Count = as.integer(c(42))
)

df1 <- createDataFrame(data)
display(df1) # The display() method is specific to Databricks notebooks and provides a richer visualization.
# head(df1) The head() method is a part of the Apache SparkR DataFrame API and provides basic visualization.

  2. Premere Shift+Enter per eseguire la cella e quindi passare alla cella successiva.

Passsaggio 3:caricare dati da un file CSV in un DataFrame

Questo passaggio crea un dataframe denominato df_csv dal file CSV caricato in precedenza nel volume di Unity Catalog. Vedere spark.read.csv.

  1. Copiare e incollare il codice seguente nella nuova cella vuota del Notebook. Questo codice carica i dati del nome del bambino nel DataFrame df_csv dal file CSV e quindi visualizza il contenuto del DataFrame.

    Python

    df_csv = spark.read.csv(f"{path_volume}/{file_name}",
    header=True,
    inferSchema=True,
    sep=",")
display(df_csv)

    Scala

    val dfCsv = spark.read
    .option("header", "true")
    .option("inferSchema", "true")
    .option("delimiter", ",")
    .csv(s"$pathVolume/$fileName")

display(dfCsv)

    R

    df_csv <- read.df(paste(path_volume, "/", file_name, sep=""),
    source="csv",
    header = TRUE,
    inferSchema = TRUE,
    delimiter = ",")

display(df_csv)

  2. Premere Shift+Enter per eseguire la cella e quindi passare alla cella successiva.

È possibile caricare i dati da molti formati di file supportati.

Passaggio 4: visualizzare e interagire con il DataFrame

Visualizzare e interagire con i DataFrame dei bambini usando i metodi seguenti.

Informazioni su come visualizzare lo schema di un dataframe Apache Spark. Apache Spark usa il termine schema per fare riferimento ai nomi e ai tipi di dati delle colonne nel dataframe.

Nota

Azure Databricks usa anche il termine schema per descrivere una raccolta di tabelle registrate in un catalogo.

  1. Copiare e incollare il codice seguente in una nuova cella vuota di codice del Notebook. Questo codice mostra lo schema dei dataframe con il metodo .printSchema() per visualizzare gli schemi dei due dataframe, per prepararsi all'unione dei due dataframe.

    Python

    df_csv.printSchema()
df1.printSchema()

    Scala

    dfCsv.printSchema()
df1.printSchema()

    R

    printSchema(df_csv)
printSchema(df1)

  2. Premere Shift+Enter per eseguire la cella e quindi passare alla cella successiva.

Rinominare la colonna nel dataframe

Informazioni su come rinominare una colonna in un dataframe.

  1. Copiare e incollare il codice seguente in una nuova cella vuota di codice del Notebook. Questo codice rinomina una colonna nel dataframe df1_csv in modo che corrisponda alla rispettiva colonna nel dataframe df1. Questo codice usa il metodo Apache Spark withColumnRenamed().

    Python

    df_csv = df_csv.withColumnRenamed("First Name", "First_Name")
df_csv.printSchema

    Scala

    val dfCsvRenamed = dfCsv.withColumnRenamed("First Name", "First_Name")
// when modifying a DataFrame in Scala, you must assign it to a new variable
dfCsvRenamed.printSchema()

    R

    df_csv <- withColumnRenamed(df_csv, "First Name", "First_Name")
printSchema(df_csv)

  2. Premere Shift+Enter per eseguire la cella e quindi passare alla cella successiva.

Combinare i DataFrame

Informazioni su come creare un nuovo DataFrame che aggiunge le righe di un DataFrame a un altro.

  1. Copiare e incollare il codice seguente in una nuova cella vuota di codice del Notebook. Questo codice usa il metodo Apache Spark union() per combinare il contenuto del primo DataFrame df con il DataFrame df_csv contenente i dati dei nomi dei bambini caricati dal file CSV.

    Python

    df = df1.union(df_csv)
display(df)

    Scala

    val df = df1.union(dfCsvRenamed)
display(df)

    R

    display(df <- union(df1, df_csv))

  2. Premere Shift+Enter per eseguire la cella e quindi passare alla cella successiva.

Filtrare le righe in un DataFrame

Individuare i nomi dei bambini più diffusi nel set di dati filtrando le righe, usando i metodi di .filter() Apache Spark o .where(). Usare il filtro per selezionare un subset di righe da restituire o modificare in un dataframe. Non esiste alcuna differenza nelle prestazioni o nella sintassi, come illustrato negli esempi seguenti.

Uso del metodo .filter()

  1. Copiare e incollare il codice seguente in una nuova cella vuota di codice del Notebook. Questo codice usa il metodo Apache Spark .filter() per visualizzare tali righe nel DataFrame con un conteggio di più di 50.

    Python
    display(df.filter(df["Count"] > 50))
    Scala
    display(df.filter(df("Count") > 50))
    R
    display(filteredDF <- filter(df, df$Count > 50))

  2. Premere Shift+Enter per eseguire la cella e quindi passare alla cella successiva.

Uso del metodo .where()

  1. Copiare e incollare il codice seguente in una nuova cella vuota di codice del Notebook. Questo codice usa il metodo Apache Spark .where() per visualizzare tali righe nel DataFrame con un conteggio di più di 50.

    Python
    display(df.where(df["Count"] > 50))
    Scala
    display(df.where(df("Count") > 50))
    R
    display(filtered_df <- where(df, df$Count > 50))

  2. Premere Shift+Enter per eseguire la cella e quindi passare alla cella successiva.

Selezionare le colonne da un dataframe e ordinare in base alla frequenza

Scopri la frequenza dei nomi dei bambini con il metodo select() per selezionare le colonne del DataFrame da restituire. Usare le funzioni Apache Spark orderby e desc per ordinare i risultati.

Il modulo pyspark.sql per Apache Spark fornisce il supporto per le funzioni SQL. Tra queste funzioni usate in questa esercitazione sono le funzioni Apache Spark orderBy(), desc() e expr(). Per abilitare l'uso di queste funzioni, importarle nella sessione in base alle esigenze.

  1. Copiare e incollare il codice seguente in una nuova cella vuota di codice del Notebook. Questo codice importa la funzione desc() e quindi usa il metodo Apache Spark select() e Apache Spark orderBy() e le funzioni desc() per visualizzare i nomi più comuni e i relativi conteggi in ordine decrescente.

    Python

    from pyspark.sql.functions import desc
display(df.select("First_Name", "Count").orderBy(desc("Count")))

    Scala

    import org.apache.spark.sql.functions.desc
display(df.select("First_Name", "Count").orderBy(desc("Count")))

    R

    display(arrange(select(df, df$First_Name, df$Count), desc(df$Count)))

  2. Premere Shift+Enter per eseguire la cella e quindi passare alla cella successiva.

Creare un sottoinsieme di DataFrame

Informazioni su come creare un sottoinsieme di DataFrame da un DataFrame esistente.

  1. Copiare e incollare il codice seguente in una nuova cella vuota di codice del Notebook. Questo codice usa il metodo Apache Spark filter per creare un nuovo SataFrame limitando i dati per anno, conteggio e sesso. Usa il metodo di select() Apache Spark per limitare le colonne. Usare anche Apache Spark orderBy() e le funzioni desc() per ordinare il nuovo DataFrame in base al conteggio.

    Python

    subsetDF = df.filter((df["Year"] == 2009) & (df["Count"] > 100) & (df["Sex"] == "F")).select("First_Name", "County", "Count").orderBy(desc("Count"))
display(subsetDF)

    Scala

    val subsetDF = df.filter((df("Year") === 2009) && (df("Count") > 100) && (df("Sex") === "F")).select("First_Name", "County", "Count").orderBy(desc("Count"))

display(subsetDF)

    R

    subsetDF <- select(filter(df, (df$Count > 100) & (df$year == 2009) & df["Sex"] == "F")), "First_Name", "County", "Count")
display(subsetDF)

  2. Premere Shift+Enter per eseguire la cella e quindi passare alla cella successiva.

Passaggio 5: salvare il DataFrame

Informazioni su come salvare un DataFrame. È possibile salvare il dataframe in una tabella o scrivere il dataframe in un file o in più file.

Salvare il dataframe in una tabella

Azure Databricks usa il formato Delta Lake per tutte le tabelle per impostazione predefinita. Per salvare il dataframe, è necessario disporre dei privilegi di tabella CREATE nel catalogo e nello schema.

  1. Copiare e incollare il codice seguente in una nuova cella vuota di codice del Notebook. Questo codice salva il contenuto del dataframe in una tabella usando la variabile definita all'inizio di questa esercitazione.

    Python

    df.write.mode("overwrite").saveAsTable(f"{path_table}.{table_name}")

    Scala

    df.write.mode("overwrite").saveAsTable(s"$pathTable" + "." + s"$tableName")

    R

    saveAsTable(df, paste(path_table, ".", table_name), mode = "overwrite")

  2. Premere Shift+Enter per eseguire la cella e quindi passare alla cella successiva.

La maggior parte delle applicazioni Apache Spark funziona su set di dati di grandi dimensioni e in modo distribuito. Apache Spark scrive una directory di file anziché un singolo file. Delta Lake suddivide le cartelle e i file Parquet. Molti sistemi dati possono leggere queste directory di file. Azure Databricks consiglia di usare tabelle su percorsi di file per la maggior parte delle applicazioni.

Salvare il DataFrame in file JSON

  1. Copiare e incollare il codice seguente in una nuova cella vuota di codice del Notebook. Questo codice salva il DataFrame in una directory di file JSON.

    Python

    df.write.format("json").mode("overwrite").save("/tmp/json_data")

    Scala

    df.write.format("json").mode("overwrite").save("/tmp/json_data")

    R

    write.df(df, path = "/tmp/json_data", source = "json", mode = "overwrite")

  2. Premere Shift+Enter per eseguire la cella e quindi passare alla cella successiva.

Leggere il DataFrame da un file JSON

Informazioni su come usare il metodo Apache Spark spark.read.format() per leggere i dati JSON da una directory in un DataFrame.

  1. Copiare e incollare il codice seguente in una nuova cella vuota di codice del Notebook. Questo codice visualizza i file JSON salvati nell'esempio precedente.

    Python

    display(spark.read.format("json").json("/tmp/json_data"))

    Scala

    display(spark.read.format("json").json("/tmp/json_data"))

    R

    display(read.json("/tmp/json_data"))

  2. Premere Shift+Enter per eseguire la cella e quindi passare alla cella successiva.

Attività aggiuntive: eseguire query SQL in PySpark, Scala e R

I DataFrame Apache Spark offrono le opzioni seguenti per combinare SQL con PySpark, Scala e R. È possibile eseguire il codice seguente nello stesso Notebook creato per questa esercitazione.

Specificare una colonna nella query SQL

Informazioni su come usare il metodo Apache Spark selectExpr(). Si tratta di una variante del metodo select() che accetta espressioni SQL e restituisce un DataFrame aggiornato. Questo metodo consente di usare un'espressione SQL, ad esempio upper.

  1. Copiare e incollare il codice seguente in una nuova cella vuota di codice del Notebook. Questo codice utilizza il metodo selectExpr() di Apache Spark e l'espressione SQL upper per convertire una colonna di tipo stringa in lettere maiuscole (e rinominare la colonna).

    Python

    display(df.selectExpr("Count", "upper(County) as big_name"))

    Scala

    display(df.selectExpr("Count", "upper(County) as big_name"))

    R

    display(df_selected <- selectExpr(df, "Count", "upper(County) as big_name"))

  2. Premere Shift+Enter per eseguire la cella e quindi passare alla cella successiva.

Usare expr() per usare la sintassi SQL per una colonna

Informazioni su come importare e usare la funzione expr() Apache Spark per usare la sintassi SQL in qualsiasi punto in cui viene specificata una colonna.

  1. Copiare e incollare il codice seguente in una nuova cella vuota di codice del Notebook. Questo codice importa la funzione expr() e quindi usa la funzione expr() Apache Spark e l'espressione SQL lower per convertire una colonna stringa in lettere minuscole (e rinominare la colonna).

    Python

    from pyspark.sql.functions import expr
display(df.select("Count", expr("lower(County) as little_name")))

    Scala

    import org.apache.spark.sql.functions.{col, expr}
// Scala requires us to import the col() function as well as the expr() function

display(df.select(col("Count"), expr("lower(County) as little_name")))

    R

    display(df_selected <- selectExpr(df, "Count", "lower(County) as little_name"))
# expr() function is not supported in R, selectExpr in SparkR replicates this functionality

  2. Premere Shift+Enter per eseguire la cella e quindi passare alla cella successiva.

Eseguire una query SQL arbitraria usando la funzione spark.sql()

Informazioni su come usare la funzione Apache Spark spark.sql() per eseguire query SQL arbitrarie.

  1. Copiare e incollare il codice seguente in una nuova cella vuota di codice del Notebook. Questo codice usa la funzione di spark.sql() Apache Spark per eseguire query su una tabella SQL usando la sintassi SQL.

    Python

    display(spark.sql(f"SELECT * FROM {path_table}.{table_name}"))

    Scala

    display(spark.sql(s"SELECT * FROM $pathTable.$tableName"))

    R

    display(sql(paste("SELECT * FROM", path_table, ".", table_name)))

  2. Premere Shift+Enter per eseguire la cella e quindi passare alla cella successiva.

Notebook dell'esercitazione sul DataFrame

I Notebook seguenti includono le query di esempio di questa esercitazione.

Python

Esercitazione su DataFrame con Python

Ottieni taccuino

Scala

Esercitazione su DataFrame con Scala

Prendi il notebook

R

Esercitazione su DataFrame con R

Prendi il notebook

Risorse aggiuntive