Pyspark處理數據中帶有列分隔符的數據集

本篇文章為大家展示了Pyspark處理數據中帶有列分隔符的數據集，內容簡明扼要并且容易理解，絕對能使你眼前一亮，通過這篇文章的詳細介紹希望你能有所收獲。

下面主要內容是處理在數據集中存在列分隔符或分隔符的特殊場景。對于Pyspark開發人員來說，處理這種類型的數據集有時是一件令人頭疼的事情，但無論如何都必須處理它。

數據集基本上如下所示:

 #first line is the headerNAME|AGE|DEP
 Vivek|Chaudhary|32|BSC
 John|Morgan|30|BE
 Ashwin|Rao|30|BE

數據集包含三個列" Name "， " AGE "， " DEP "，用分隔符" | "分隔。如果我們關注數據集，它也包含' | '列名。

讓我們看看如何進行下一步:

步驟1。使用spark的Read .csv()方法讀取數據集:

 #create spark session 
 import pyspark
 from pyspark.sql import SparkSession
 spark=SparkSession.builder.appName(‘delimit’).getOrCreate()

上面的命令幫助我們連接到spark環境，并讓我們使用spark.read.csv()讀取數據集

 #create 
 df=spark.read.option(‘delimiter’,’|’).csv(r’<path>/delimit_data.txt’,inferSchema=True,header=True)
 df.show()

從文件中讀取數據并將數據放入內存后我們發現，最后一列數據在哪里，列年齡必須有一個整數數據類型，但是我們看到了一些其他的東西。這不是我們所期望的。一團糟，完全不匹配，不是嗎?答案是肯定的，確實一團糟。

現在，讓我們來學習如何解決這個問題。

步驟2。再次讀取數據，但這次使用Read .text()方法:

 df=spark.read.text(r’/Python_Pyspark_Corp_Training/delimit_data.txt’)
 df.show(truncate=0)

 #extract first row as this is our header
 head=df.first()[0]
 schema=[‘fname’,’lname’,’age’,’dep’]
 print(schema)
 Output: ['fname', 'lname', 'age', 'dep']

下一步是根據列分隔符對數據集進行分割:

 #filter the header, separate the columns and apply the schema
 df_new=df.filter(df[‘value’]!=head).rdd.map(lambda x:x[0].split(‘|’)).toDF(schema)
 df_new.show()

現在，我們已經成功分離出列。

我們已經成功地將“|”分隔的列(“name”)數據分成兩列。現在，數據更加干凈，可以輕松地使用。

接下來，連接列“fname”和“lname”:

 from pyspark.sql.functions import concat, col, lit
 df1=df_new.withColumn(‘fullname’,concat(col(‘fname’),lit(“|”),col(‘lname’)))
 df1.show()

要驗證數據轉換，我們將把轉換后的數據集寫入CSV文件，然后使用read. CSV()方法讀取它。

 df1.write.option(‘sep’,’|’).mode(‘overwrite’).option(‘header’,’true’).csv(r’<file_path>\cust_sep.csv’)

下一步是數據驗證:

 df=spark.read.option(‘delimiter’,’|’).csv(r<filepath>,inferSchema=True,header=True)
 df.show()

現在的數據看起來像我們想要的那樣。

上述內容就是Pyspark處理數據中帶有列分隔符的數據集，你們學到知識或技能了嗎？如果還想學到更多技能或者豐富自己的知識儲備，歡迎關注億速云行業資訊頻道。