tutorial: Carga e transformação de dados usando Apache Spark DataFrames

Este tutorial mostra aos senhores como carregar e transformar dados usando o Apache Spark Python (PySpark) DataFrame API, o Apache Spark Scala DataFrame API e o SparkR SparkDataFrame API em Databricks.

Ao final deste tutorial, o senhor entenderá o que é um DataFrame e estará familiarizado com a seguinte tarefa:

O que é um DataFrame?

Um DataFrame é uma estrutura de dados bidimensional com rótulos e colunas de tipos variados.Você pode pensar em um DataFrame como uma planilha, uma tabela SQL ou um dicionário de objetos em série. Os DataFrames do Apache Spark oferecem um conjunto abrangente de funções (selecionar colunas, filtrar, unir, agregar) que permitem a você resolver eficientemente problemas comuns de análise de dados.

Os DataFrames do Apache Spark são uma abstração criada sobre os Resilient Distributed Datasets (RDDs).Os DataFrames do Spark e o Spark SQL utilizam um mecanismo de planejamento e otimização unificado, permitindo que você obtenha desempenho quase idêntico em todas as linguagens compatíveis com o o Databricks (Python, SQL, Scala e R).

Requisitos

Para concluir o tutorial a seguir, o senhor deve atender aos seguintes requisitos:

  • Para usar os exemplos neste tutorial, seu workspace deve ter o Unity Catalog habilitado.

  • Os exemplos deste tutorial usam um volume do Unity Catalog para armazenar dados de amostra. Para usar esses exemplos, crie um volume e use o catálogo, o esquema e os nomes de volume desse volume para definir o caminho do volume usado pelos exemplos.

  • O senhor deve ter as seguintes permissões no Unity Catalog:

    • READ VOLUME e WRITE VOLUME, ou ALL PRIVILEGES para o volume usado neste tutorial.

    • USE SCHEMA ou ALL PRIVILEGES para o esquema usado neste tutorial.

    • USE CATALOG ou ALL PRIVILEGES para o catálogo usado neste tutorial.

    Para definir essas permissões, consulte o administrador do Databricks ou os privilégios e objetos protegidos do Unity Catalog.

o passo 1: Definir variáveis e carregar o arquivo CSV

Este passo define as variáveis a serem usadas neste tutorial e, em seguida, carrega um arquivo CSV contendo dados de nomes de bebês do health.data.ny.gov no volume Unity Catalog.

  1. Abra um novo Notebook clicando no ícone Novo ícone. Para saber como navegar pelo Databricks Notebook, consulte Databricks Notebook interface e controles.

  2. Copie e cole o código a seguir na nova célula vazia do site Notebook. Substitua <catalog-name>, <schema-name> e <volume-name> pelos nomes de catálogo, esquema e volume de um volume do Unity Catalog. Substitua <table_name> por um nome de tabela de sua escolha. O senhor carregará os dados do nome do bebê nessa tabela mais adiante neste tutorial.

  3. Pressione Shift+Enter para executar a célula e criar uma nova célula em branco.

    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_tables = catalog + "." + schema
    print(path_tables) # Show the complete path
    print(path_volume) # Show the complete path
    
    val catalog = "<catalog_name>"
    val schema = "<schema_name>"
    val volume = "<volume_name>"
    val download_url = "https://health.data.ny.gov/api/views/jxy9-yhdk/rows.csv"
    val file_name = "rows.csv"
    val table_name = "<table_name>"
    val path_volume = s"/Volumes/$catalog/$schema/$volume"
    val path_tables = s"$catalog.$schema.$table_name"
    print(path_volume) // Show the complete path
    print(path_tables) // Show the complete path
    
    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_tables <- paste(catalog, ".", schema, sep = "")
    print(path_volume) # Show the complete path
    print(path_tables) # Show the complete path
    
  4. Copie e cole o código a seguir na nova célula vazia do site Notebook. Esse código copia o arquivo rows.csv de health.data.ny.gov para o volume do Unity Catalog usando o comando Databricks dbutuils.

  5. Pressione Shift+Enter para executar a célula e depois passe para a próxima célula.

    dbutils.fs.cp(f"{download_url}", f"{path_volume}" + "/" + f"{file_name}")
    
    dbutils.fs.cp(download_url, s"$path_volume/$file_name")
    
    dbutils.fs.cp(download_url, paste(path_volume, "/", file_name, sep = ""))
    

o passo 2: Criar um DataFrame

Este passo cria um DataFrame chamado df1 com dados de teste e, em seguida, exibe seu conteúdo.

  1. Copie e cole o código a seguir na nova célula vazia do site Notebook. Esse código cria o Dataframe com dados de teste e, em seguida, exibe o conteúdo e o esquema do DataFrame.

  2. Pressione Shift+Enter para executar a célula e depois passe para a próxima célula.

    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.
    
    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.
    
    # Load the SparkR package that is already preinstalled on the cluster.
    library(SparkR)
    
    data <- data.frame(
      Year = c(2021),
      First_Name = c("test"),
      County = c("Albany"),
      Sex = c("M"),
      Count = 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.
    

o passo 3: Carregar dados em um DataFrame a partir do arquivo CSV

Esse passo cria um DataFrame chamado df_csv a partir do arquivo CSV que o senhor carregou anteriormente no volume Unity Catalog. Consulte spark.read.csv.

  1. Copie e cole o código a seguir na nova célula vazia do site Notebook. Esse código carrega os dados do nome do bebê no DataFrame df_csv do arquivo CSV e, em seguida, exibe o conteúdo do DataFrame.

  2. Pressione Shift+Enter para executar a célula e depois passe para a próxima célula.

    df_csv = spark.read.csv(f"{path_volume}/{file_name}",
      header=True,
      inferSchema=True,
      sep=",")
    display(df_csv)
    
    val df_csv = spark.read
      .option("header", "true")
      .option("inferSchema", "true")
      .option("delimiter", ",")
      .csv(s"$path_volume/$file_name")
    
    display(df_csv)
    
    df_csv <- read.df(paste(path_volume, "/", file_name, sep=""),
      source="csv",
      header = TRUE,
      inferSchema = TRUE,
      delimiter = ",")
    
    display(df_csv)
    

Você pode enviar dados de vários formatos de arquivo compatíveis.

o passo 4: view e interagir com o senhor DataFrame

view e interagir com os nomes dos bebês DataFrames usando os seguintes métodos.

Renomear coluna no DataFrame

Saiba como renomear uma coluna em um DataFrame.

Copie e cole o código a seguir em uma célula vazia do site Notebook. Esse código renomeia uma coluna no df1_csv DataFrame para corresponder à respectiva coluna no df1 DataFrame. DataFrame. Esse código usa o método Apache Spark withColumnRenamed().

df_csv = df_csv.withColumnRenamed("First Name", "First_Name")
df_csv.printSchema
val df_csvRenamed = df_csv.withColumnRenamed("First Name", "First_Name")
// when modifying a DataFrame in Scala, you must assign it to a new variable
df_csv_renamed.printSchema()
df_csv <- withColumnRenamed(df_csv, "First Name", "First_Name")
printSchema(df_csv)

Combinar DataFrames

Saiba como criar um novo DataFrame que adiciona as linhas de um DataFrame a outro.

Copie e cole o código a seguir em uma célula vazia do site Notebook. Esse código usa o método Apache Spark union() para combinar o conteúdo do primeiro DataFrame df com o DataFrame df_csv que contém os dados dos nomes dos bebês carregados do arquivo CSV.

df = df1.union(df_csv)
display(df)
val df = df1.union(df_csv_renamed)
display(df)
display(df <- union(df1, df_csv))

Filtrar linhas em um DataFrame

Descubra os nomes de bebês mais populares em seu conjunto de dados filtrando as linhas, usando os métodos .filter() ou .where() do Apache Spark. Use a filtragem para selecionar um subconjunto de linhas para retornar ou modificar em um DataFrame. Não há diferença no desempenho ou na sintaxe, como visto nos exemplos a seguir.

Usando .filter() método

Copie e cole o código a seguir em uma célula vazia do site Notebook. Esse código usa o método .filter() do Apache Spark para exibir as linhas no DataFrame com uma contagem superior a 50.

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

Usando .where() método

Copie e cole o código a seguir em uma célula vazia do site Notebook. Esse código usa o método .where() do Apache Spark para exibir as linhas no DataFrame com uma contagem superior a 50.

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

Selecionar colunas de um DataFrame e ordená-las por frequência

Saiba qual é a frequência do nome do bebê com o método select() para especificar as colunas do DataFrame a serem retornadas. Use as funções orderby e desc do Apache Spark para ordenar os resultados.

O módulo PySpark.sql para Apache Spark oferece suporte às funções de SQL. Entre essas funções que usamos neste tutorial estão as funções orderBy(), desc() e expr() do Apache Spark. O senhor habilita o uso dessas funções importando-as para sua sessão conforme necessário.

Copie e cole o código a seguir em uma célula vazia do site Notebook. Esse código importa a função desc() e, em seguida, usa o método select() do Apache Spark e as funções orderBy() e desc() do Apache Spark para exibir os nomes mais comuns e suas contagens em ordem decrescente.

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

Criar um DataFrame de subconjunto

Saiba como criar um DataFrame de subconjunto a partir de um DataFrame existente.

Copie e cole o código a seguir em uma célula vazia do site Notebook. Esse código usa o método filter do Apache Spark para criar um novo DataFrame restringindo os dados por ano, contagem e sexo. Ele usa o método Apache Spark select() para limitar as colunas. Ele também usa as funções orderBy() e desc() do Apache Spark para classificar o novo DataFrame por contagem.

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

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

o passo 5: Salvar o DataFrame

Saiba como salvar um DataFrame,. O senhor pode salvar seu DataFrame em uma tabela ou gravar o DataFrame em um arquivo ou em vários arquivos.

Salvar o DataFrame em uma tabela

Databricks usa o formato Delta Lake para todas as tabelas por default. Para salvar o DataFrame, o senhor deve ter privilégios de tabela CREATE no catálogo e no esquema.

Copie e cole o código a seguir em uma célula vazia do site Notebook. Esse código salva o conteúdo do site DataFrame em uma tabela usando a variável que o senhor definiu no início deste site tutorial.

df.write.saveAsTable(s"$path_tables" + "." + s"$table_name")

# To overwrite an existing table, use the following code:
# df.write.mode("overwrite").saveAsTable(fs"$path_tables" + "." + s"$table_name")
df.write.saveAsTable(s"$path_tables" + "." + s"$table_name")

// To overwrite an existing table, use the following code:
// df.write.mode("overwrite").saveAsTable(s"$path_volume" + "." + s"$table_name")
saveAsTable(df, paste(path_tables, ".", table_name))
# To overwrite an existing table, use the following code:
# saveAsTable(df, paste(path_tables, ".", table_name), mode = "overwrite")

A maioria dos Apache aplicativos Spark trabalha com grandes conjuntos de dados e de forma distribuída. O Apache Spark grava um diretório de arquivos em vez de um único arquivo. O Delta Lake divide as pastas e os arquivos do Parquet. Muitos sistemas de dados podem ler esses diretórios de arquivos. A Databricks recomenda o uso de tabelas em vez de caminhos de arquivos para a maioria dos aplicativos.

Salvar o DataFrame em arquivos JSON

Copie e cole o código a seguir em uma célula vazia do site Notebook. Esse código salva o DataFrame em um diretório de arquivos JSON.

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

# To overwrite an existing file, use the following code:
# df.write.format("json").mode("overwrite").save("/tmp/json_data")
df.write.format("json").save("/tmp/json_data")

// To overwrite an existing file, use the following code:
// df.write.format("json").mode("overwrite").save("/tmp/json_data")
write.df(df, path = "/tmp/json_data", source = "json")
# To overwrite an existing file, use the following code:
# write.df(df, path = "/tmp/json_data", source = "json", mode = "overwrite")

Ler o DataFrame de um arquivo JSON

Saiba como usar o método Apache Spark spark.read.format() para read.json dados de um diretório em um DataFrame.

Copie e cole o código a seguir em uma célula vazia do site Notebook. Esse código exibe os arquivos JSON que o senhor salvou no exemplo anterior.

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

Tarefa adicional: execução SQL consultas em PySpark, Scala, e R

Os DataFrames do Apache Spark oferecem as seguintes opções para combinar SQL com PySpark, Scala e R. O senhor pode executar o seguinte código no mesmo Notebook que criou para este tutorial.

Especificar uma coluna como uma consulta SQL

Saiba como usar o método Apache Spark selectExpr(). Essa é uma variante do método select() que aceita expressões SQL e retorna um DataFrame atualizado. Esse método permite que o senhor use uma expressão SQL, como upper.

Copie e cole o código a seguir em uma célula vazia do site Notebook. Esse código usa o método Apache Spark selectExpr() e a expressão SQL upper para converter uma coluna de strings em maiúsculas (e renomear a coluna).

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

Use expr() para usar a sintaxe SQL para uma coluna

Saiba como importar e usar a função expr() do Apache Spark para usar a sintaxe SQL em qualquer lugar onde uma coluna seria especificada.

Copie e cole o código a seguir em uma célula vazia do site Notebook. Esse código importa a função expr() e, em seguida, usa a função Apache Spark expr() e a expressão SQL lower para converter uma coluna de strings em minúsculas (e renomear a coluna).

from pyspark.sql.functions import expr
display(df.select("Count", expr("lower(County) as little_name")))
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")))
display(df_selected <- selectExpr(df, "Count", "lower(County) as little_name"))
# expr() function is not supported in R, selectExpr in SparkR replicates this functionality

execução de uma consulta arbitrária SQL usando spark.sql() função

Saiba como usar a função Apache Spark spark.sql() para executar consultas SQL arbitrárias.

Copie e cole o código a seguir em uma célula vazia do site Notebook. Esse código usa a função spark.sql() do Apache Spark para consultar uma tabela SQL usando a sintaxe SQL.

display(spark.sql(f"SELECT * FROM {path_tables}" + "." + f"{table_name}"))
display(spark.sql(s"SELECT * FROM $path_tables.$table_name"))
display(sql(paste("SELECT * FROM", path_tables, ".", table_name)))

DataFrame tutorial Notebook

O seguinte Notebook inclui os exemplos de consultas deste tutorial.

DataFrames tutorial Notebook

Abra o bloco de anotações em outra guia

DataFrames tutorial Notebook

Abra o bloco de anotações em outra guia

DataFrames tutorial Notebook

Abra o bloco de anotações em outra guia