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

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?

Il DataFrame è una struttura di dati bidimensionale etichettata con colonne di tipi potenzialmente diversi. Si può pensare a un DataFrame come a un foglio di calcolo, una tabella SQL o un dizionario di oggetti serie. I DataFrame Apache Spark offrono una set completo di funzioni (selezione colonne, filtro, join, aggregazione) che consentono di risolvere in modo efficiente i problemi più 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, che consente 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 in questa esercitazione, l'area di lavoro deve avere Unity Catalog abilitato.

  • Gli esempi in questa esercitazione usano un volume di Unity Catalog per archiviare i dati di esempio. Per usare questi esempi, creare un volume e usare i nomi di catalogo, schema e volume per impostare il percorso del volume usato 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 oppure ALL PRIVILEGES per lo schema usato per questa esercitazione.
    • USE CATALOG oppure ALL PRIVILEGES per il catalogo usato per questa esercitazione.

    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 questa esercitazione e quindi carica un file CSV contenente i dati dei nomi dei bambini 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 Interfaccia e controlli dei Notebook di Databricks.

  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 il nome tabella desiderato. 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 usando il comando Databricks dbutuils.

    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

Anche Azure Databricks usa 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 Apache Spark .filter() o .where(). Usare il filtro per selezionare un sottoinsieme 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 ordinarle in base alla frequenza

Informazioni sulla frequenza dei nomi dei bambini con il metodo select() per specificare 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. Usare il metodo Apache Spark select() 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 per il catalogo e lo schema.

  1. Copiare e incollare il codice seguente in una nuova cella vuota di codice del Notebook. Questo codice salva il contenuto del DaFaframe 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 come 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 usa il metodo Apache Spark selectExpr() e l'espressione SQL upper per convertire una colonna 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 Apache Spark expr() per usare la sintassi SQL in qualsiasi punto in cui sarebbe 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 Apache Spark expr() 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 Apache Spark spark.sql() 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

Ottenere il notebook

Scala

Esercitazione su DataFrame con Scala

Ottenere il notebook

R

Esercitazione su DataFrame con R

Ottenere il notebook

Risorse aggiuntive