数据操作——有类型转换操作

发布时间:2024年01月19日

有类型转换操作

以下算子有@Test的前置条件

  • 以下算子有@Test的前置条件

    // 1. 创建SparkSession
      val spark = SparkSession.builder()
        .appName("trans_test")
        .master("local[6]")
        .getOrCreate()
      
    // 导入隐式转换
    import spark.implicits._
    
    // case样例类
    case class Person(name: String, age: Int)
    

转换

  • 转换
    • flatMap

      通过 flatMap 可以将一条数据转为一个数组, 后再展开这个数组放入 Dataset

      @Test
      def trans():Unit={
          // flatmap
          val ds = Seq("hello spark", "hello hadoop").toDS()
          ds.flatMap(item => item.split(" ")).show()
        }
      

      在这里插入图片描述

    • map

      map 可以将数据集中每条数据转为另一种形式

      @Test
      def trans(): Unit = {
        // map
        val ds2 = Seq(Person("zhangsan", 15), Person("lisi", 20)).toDS()
        ds2.map(person => Person(person.name, person.age * 2)).show()
      }
      

      在这里插入图片描述

    • mapPartitions

      mapPartitions 和 map 一样, 但是 map 的处理单位是每条数据, mapPartitions 的处理单位是每个分区

      @Test
      def trans(): Unit = {
        // mapPartitions
        val ds3 = Seq(Person("zhangsan", 15), Person("lisi", 20)).toDS()
        ds3.mapPartitions(
          // iter 不能大到每个 Executor 的内存放不下, 不然就会OOM(内存不够使)
          // 对每个元素进行转换,后生成一个新的集合
          iter => {
            val result = iter.map(person => Person(person.name, person.age * 2))
            result
          }
        ).show()
      }
      
    • transform

      map 和 mapPartitions 以及 transform 都是转换, map 和 mapPartitions 是针对数据, 而 transform 是针对整个数据集, 这种方式最大的区别就是 transform 可以直接拿到 Dataset 进行操作

      **// transform
      @Test
      def trans1(): Unit = {
        val ds = spark.range(10)
        ds.transform(dataset => dataset.withColumn("doubled", 'id * 2)) // withColumn 新增列
        ds.show()
      }**
      

      在这里插入图片描述

    • as

      as[Type] 算子的主要作用是将弱类型的 Dataset 转为强类型的 Dataset, 它有很多适用场景, 但是最常见的还是在读取数据的时候, 因为 DataFrameReader 体系大部分情况下是将读出来的数据转换为 DataFrame 的形式, 如果后续需要使用 Dataset 的强类型 API, 则需要将 DataFrame 转为 Dataset. 可以使用 as[Type] 算子完成这种操作

      // as
      @Test
      def as(): Unit = {
        // 1. 读取
        //    创建Schema结构信息
        val schema = StructType(
          List(
            StructField("name", StringType),
            StructField("age", IntegerType),
            StructField("gpa", FloatType)
          )
        )
        //    读取文件
        val df: Dataset[Row] = spark.read // DataFrame = Dataset[Row]
          .schema(schema)
          .option("delimiter", "\t") // 指定制表符
          .csv("./dataset/studenttab10k")
      
        // 2. 转换
      	// 本质上: Dataset[Row].as[Student] => Dataset[Student]
        // Dataset[(String, int, float)].as[Student] => Dataset[Student]
        val ds: Dataset[Student] = df.as[Student]
        
        // 3. 输出
        ds.show()
      }
      
      case class Student(name: String, age: Int, gpa: Float)
      

      在这里插入图片描述

filter (过滤)

  • filter (过滤)

    filter 用来按照条件过滤数据集

    // filter
    @Test
    def filter(): Unit = {
      val ds = Seq(Person("zhangsan", 15), Person("lisi", 20)).toDS()
      ds.filter(person => person.age > 15).show()
    }
    

    在这里插入图片描述

groupByKey(聚合)

  • groupByKey(聚合)

    grouByKey 算子的返回结果是 KeyValueGroupedDataset, 而不是一个 Dataset, 所以必须要先经过 KeyValueGroupedDataset 中的方法进行聚合, 再转回 Dataset, 才能使用 Action 得出结果

    其实这也印证了分组后必须聚合的道理

    // groupByKey
    @Test
    def groupByKey():Unit = {
      val ds = Seq(Person("zhangsan", 15), Person("zhangsan", 16), Person("lisi", 20)).toDS()
    	
    
    	// SQL: select count(*) from person group by name
      val grouped: KeyValueGroupedDataset[String, Person] = ds.groupByKey(person => person.name) // 返回key,自己通过函数给他
      val result: Dataset[(String, Long)] = grouped.count() // 分组后必须先聚合,再show
        result.show()
    }
    

    在这里插入图片描述

切分

  • 切分
    • randomSplit

      randomSplit 会按照传入的权重随机将一个 Dataset 分为多个 Dataset, 传入 randomSplit 的数组有多少个权重, 最终就会生成多少个 Dataset, 这些权重的加倍和应该为 1, 否则将被标准化

      @Test
      def split():Unit = {
        val ds = spark.range(15)
        // randomSplit, 切多少份, 权重多少
        val datasets = ds.randomSplit(Array(5, 2, 3)) // 只能整10, //给你五个你两个给你三个
        datasets.foreach(_.show())
      }
      

      在这里插入图片描述

      在这里插入图片描述

      在这里插入图片描述

    • sample

      sample 会随机在 Dataset 中抽样

      @Test
      def split():Unit = {
        val ds = spark.range(15)
        // sample
        ds.sample(withReplacement = false, fraction = 0.4).show() // 不放回,采样百分比0.4
      }
      

排序

  • 排序
    • orderBy

      orderBy 配合 Column 的 API, 可以实现正反序排列

      @Test
      def sort():Unit = {
        val ds = Seq(Person("zhangsan", 20),Person("zhangsan", 8), Person("lisi", 15)).toDS
        // orderBy
        // 还有单引号选择列名时,要导入隐式转换
        ds.orderBy('age.desc).show() // select * from ... order by ..desc desc 降序, asc升序
      }
      

      在这里插入图片描述

    • sort

      其实 orderBy 是 sort 的别名, 所以它们所实现的功能是一样的

      @Test
      def sort():Unit = {
        val ds = Seq(Person("zhangsan", 20),Person("zhangsan", 8), Person("lisi", 15)).toDS
        // 还有单引号选择列名时,要导入隐式转换
        // select * from ... order by ..desc desc 降序, asc升序
      	// sort
        ds.sort('age.asc).show()
      }
      

      在这里插入图片描述

分区

  • 分区
    • coalesce

      减少分区, 此算子和 RDD 中的 coalesce 不同, Dataset 中的 coalesce 只能减少分区数, coalesce 会直接创建一个逻辑操作, 并且设置 Shuffle 为 false

      @Test
        def partitions(): Unit = {
          val ds = spark.range(15)
          // coalesce
          ds.coalesce(1).explain(true)
        }
      

      在这里插入图片描述

    • repartition

      repartition 有两个作用, 一个是重分区到特定的分区数, 另一个是按照某一列来分区, 类似于 SQL 中的 DISTRIBUTE BY

      @Test
      def partitions(): Unit = {
        val ds = Seq(Person("zhangsan", 12), Person("zhangsan", 8), Person("lisi", 15)).toDS()
        ds.repartition(4)
        ds.repartition('name)
          .explain(true)
      }
      

      在这里插入图片描述

去重

  • 去重
    • dropDuplicates

      使用 dropDuplicates 可以去掉某一些列中重复的行

      @Test
        def dropDuplication(): Unit = {
          val ds = spark.createDataset(Seq(Person("zhangsan", 15), Person("zhangsan", 15), Person("lisi", 15)))
          // dropDuplicates
          ds.dropDuplicates("age").show()
        }
      

      在这里插入图片描述

    • distinct

      当 dropDuplicates 中没有传入列名的时候, 其含义是根据所有列去重, dropDuplicates() 方法还有一个别名, 叫做 distinct

      所以, 使用 distinct 也可以去重, 并且只能根据所有的列来去重

      @Test
      def dropDuplication(): Unit = {
        val ds = spark.createDataset(Seq(Person("zhangsan", 15), Person("zhangsan", 15), Person("lisi", 15)))
        // distinct
        ds.distinct().show()
      }
      

      在这里插入图片描述

集合操作

  • 集合操作

    • except

      except 和 SQL 语句中的 except 一个意思, 是求得 ds1 中不存在于 ds2 中的数据, 其实就是差集

      @Test
      def collection(): Unit = {
        val ds1 = spark.range(1, 10)
        val ds2 = spark.range(5, 15)
      
        // 差集
        ds1.except(ds2).show()
      }
      

      在这里插入图片描述

    • intersect

      求得两个集合的交集

      @Test
      def collection(): Unit = {
        val ds1 = spark.range(1, 10)
        val ds2 = spark.range(5, 15)
      
        // 交集
        ds1.intersect(ds2).show()
      }
      

      在这里插入图片描述

    • union

      求得两个集合的并集

      @Test
      def collection(): Unit = {
        val ds1 = spark.range(1, 10)
        val ds2 = spark.range(5, 15)
      
        // 并集
        ds1.union(ds2).show()
      }
      

      在这里插入图片描述

    • limit

      限制结果集数量

      @Test
      def collection(): Unit = {
        val ds1 = spark.range(1, 10)
        val ds2 = spark.range(5, 15)
      
        // limit
      	ds1.limit(3).show()
      }
      

      在这里插入图片描述

  • 所用文件

    [studenttab10k.zip]

文章来源:https://blog.csdn.net/m0_56181660/article/details/135641102
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。