PySpark,一个超级强大的 Python 库

2024-08-25 22:20
文章标签 python 强大 超级 pyspark

本文主要是介绍PySpark,一个超级强大的 Python 库,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

大家好!我是炒青椒不放辣,关注我,收看每期的编程干货。

一个简单的库,也许能够开启我们的智慧之门,
一个普通的方法,也许能在危急时刻挽救我们于水深火热,
一个新颖的思维方式,也许能激发我们无尽的创造力,
一个独特的技巧,也许能成为我们的隐形盾牌……


神奇的 Python 库之旅,第 14

目录

    • 一、初识 PySpark
    • 二、基本操作
    • 三、DataFrame 和 Spark SQL
    • 四、机器学习与流处理
    • 五、实战案例
    • 六、结语
    • 七、作者Info

一、初识 PySpark

PySpark 是 Apache Spark 的 Python API,它让我们能够在 Python 环境中使用 Spark 的强大功能。Spark 是一个快速的、通用的大数据处理引擎,能够以分布式的方式处理大规模数据。通过 PySpark,我们可以使用 Spark 的所有功能,包括数据处理、机器学习、流处理等。

为什么选择 PySpark?

  • 高效处理大数据:Spark 的内存计算能力使得它比传统的 MapReduce 快很多倍。
  • 丰富的 API:PySpark 提供了丰富的 API,支持各种数据操作和处理。
  • 与 Hadoop 兼容:PySpark 可以与 Hadoop 生态系统无缝集成,利用 HDFS、Hive 等工具。
  • 灵活性高:PySpark 兼具 Python 的简洁和 Spark 的强大功能,适合各种数据处理任务。

安装 PySpark
安装 PySpark 非常简单,只需要一行命令:

pip install pyspark

配置 PySpark
在使用 PySpark 之前,我们需要配置 Spark 环境。确保你已经安装了 Java 和 Spark,并将 Spark 的 bin 目录添加到系统的 PATH 环境变量中。

你可以在 Python 脚本中创建 SparkSession 来启动 Spark 应用:

from pyspark.sql import SparkSession# 创建 SparkSession
spark = SparkSession.builder \.appName("PySpark Example") \.getOrCreate()print("Spark 版本:", spark.version)


Github 项目地址;

https://github.com/apache/spark/tree/master/python/pyspark

二、基本操作

创建 RDD
RDD(Resilient Distributed Dataset)是 Spark 的基本数据结构。我们可以通过并行化现有集合或从外部存储读取数据来创建 RDD。

# 并行化集合创建 RDD
data = [1, 2, 3, 4, 5]
rdd = spark.sparkContext.parallelize(data)# 从外部存储读取数据创建 RDD
text_rdd = spark.sparkContext.textFile("path/to/file.txt")

基本 RDD 操作
RDD 支持多种操作,包括转换操作和行动操作。转换操作返回一个新的 RDD,而行动操作返回一个值。

# 转换操作
mapped_rdd = rdd.map(lambda x: x * 2)
filtered_rdd = rdd.filter(lambda x: x % 2 == 0)# 行动操作
collected_data = mapped_rdd.collect()  # 收集所有元素
sum_of_elements = rdd.reduce(lambda x, y: x + y)  # 求和print("收集的数据:", collected_data)
print("元素和:", sum_of_elements)

三、DataFrame 和 Spark SQL

DataFrame 是 PySpark 提供的高级数据结构,类似于 Pandas 的 DataFrame,但可以处理大规模数据。Spark SQL 则允许我们使用 SQL 查询来操作 DataFrame。

创建 DataFrame
我们可以通过结构化数据文件(如 CSV、JSON)、现有 RDD 或 Pandas DataFrame 来创建 Spark DataFrame。

# 从 CSV 文件创建 DataFrame
df = spark.read.csv("path/to/file.csv", header=True, inferSchema=True)# 从 JSON 文件创建 DataFrame
json_df = spark.read.json("path/to/file.json")# 从 Pandas DataFrame 创建 Spark DataFrame
import pandas as pdpandas_df = pd.DataFrame({"name": ["Alice", "Bob"], "age": [25, 30]})
spark_df = spark.createDataFrame(pandas_df)

基本 DataFrame 操作
DataFrame 支持多种操作,包括选择、过滤、聚合等。

基本 DataFrame 操作
DataFrame 支持多种操作,包括选择、过滤、聚合等。

使用 Spark SQL
我们可以将 DataFrame 注册为临时视图,并使用 SQL 查询来操作数据。

# 注册临时视图
df.createOrReplaceTempView("people")# 使用 SQL 查询
result = spark.sql("SELECT name, age FROM people WHERE age > 25")
result.show()

四、机器学习与流处理

PySpark 提供了丰富的机器学习和流处理功能,分别通过 MLlib 和 Structured Streaming 实现。

机器学习
MLlib 是 Spark 的机器学习库,提供了多种算法和工具。让我们看一个简单的机器学习例子,使用线性回归模型。

from pyspark.ml.regression import LinearRegression# 创建训练数据
training = spark.createDataFrame([(1.0, 2.0),(2.0, 3.0),(3.0, 4.0),(4.0, 5.0),
], ["label", "features"])# 创建线性回归模型
lr = LinearRegression()# 训练模型
model = lr.fit(training)# 打印模型系数和截距
print("系数:", model.coefficients)
print("截距:", model.intercept)

流处理
Structured Streaming 是 Spark 提供的流处理引擎,支持对实时数据流的处理。

from pyspark.sql.functions import split# 创建流式 DataFrame
lines = spark.readStream.format("socket").option("host", "localhost").option("port", 9999).load()# 分割行中的单词
words = lines.select(split(lines.value, " ").alias("word"))# 计数每个单词出现的次数
word_counts = words.groupBy("word").count()# 启动查询并将结果输出到控制台
query = word_counts.writeStream.outputMode("complete").format("console").start()query.awaitTermination()

五、实战案例

处理大规模日志数据
让我们用 PySpark 处理大规模日志数据,计算每个 IP 地址的访问次数。

# 读取日志文件
log_df = spark.read.text("path/to/log/file")# 提取 IP 地址
ip_df = log_df.select(split(log_df.value, " ")[0].alias("ip"))# 计算每个 IP 地址的访问次数
ip_counts = ip_df.groupBy("ip").count().orderBy("count", ascending=False)# 显示结果
ip_counts.show()

机器学习分类
让我们用 PySpark 进行一个简单的机器学习分类任务,使用决策树分类器。

from pyspark.ml.classification import DecisionTreeClassifier
from pyspark.ml.feature import VectorAssembler# 创建样本数据
data = spark.createDataFrame([(1.0, 1.0, 0.0),(1.0, 2.0, 1.0),(2.0, 2.0, 0.0),(2.0, 3.0, 1.0),
], ["feature1", "feature2", "label"])# 将特征组合成向量
assembler = VectorAssembler(inputCols=["feature1", "feature2"], outputCol="features")
data = assembler.transform(data)# 创建决策树分类器
dt = DecisionTreeClassifier(featuresCol="features", labelCol="label")# 训练模型
model = dt.fit(data)# 预测
predictions = model.transform(data)# 显示预测结果
predictions.select("features", "label", "prediction").show()

更多功能、详细用法可参考官方文档:

https://spark.apache.org/docs/latest/api/python/index.html

六、结语

今天我和各位靓仔们一起探索了 PySpark 这个强大的 Python 大数据处理库。从基础操作到高级应用,再到实际案例,相信你已经对 PySpark 有了全面的了解和掌握。通过这种方式,我们可以更加轻松地处理大规模数据,提高数据处理的效率和效果。

希望你能将这些知识应用到实际项目中,享受大数据处理的乐趣。编码不仅是一种技能,更是一门艺术。愿你在数据的海洋里不断探索,成为一个真正的数据大师!

在这里插入图片描述

七、作者Info

Author:小鸿的摸鱼日常

Goal:让编程更有趣! 专注于 Web 开发、爬虫,游戏开发,数据分析、自然语言处理,AI 等,期待你的关注,让我们一起成长、一起Coding!

版权说明:本文禁止抄袭、转载,侵权必究!

这篇关于PySpark,一个超级强大的 Python 库的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1106811

相关文章

Python实现图片分割的多种方法总结

《Python实现图片分割的多种方法总结》图片分割是图像处理中的一个重要任务,它的目标是将图像划分为多个区域或者对象,本文为大家整理了一些常用的分割方法,大家可以根据需求自行选择... 目录1. 基于传统图像处理的分割方法(1) 使用固定阈值分割图片(2) 自适应阈值分割(3) 使用图像边缘检测分割(4)

一文带你搞懂Python中__init__.py到底是什么

《一文带你搞懂Python中__init__.py到底是什么》朋友们,今天我们来聊聊Python里一个低调却至关重要的文件——__init__.py,有些人可能听说过它是“包的标志”,也有人觉得它“没... 目录先搞懂 python 模块(module)Python 包(package)是啥?那么 __in

使用Python实现图像LBP特征提取的操作方法

《使用Python实现图像LBP特征提取的操作方法》LBP特征叫做局部二值模式,常用于纹理特征提取,并在纹理分类中具有较强的区分能力,本文给大家介绍了如何使用Python实现图像LBP特征提取的操作方... 目录一、LBP特征介绍二、LBP特征描述三、一些改进版本的LBP1.圆形LBP算子2.旋转不变的LB

Python中__init__方法使用的深度解析

《Python中__init__方法使用的深度解析》在Python的面向对象编程(OOP)体系中,__init__方法如同建造房屋时的奠基仪式——它定义了对象诞生时的初始状态,下面我们就来深入了解下_... 目录一、__init__的基因图谱二、初始化过程的魔法时刻继承链中的初始化顺序self参数的奥秘默认

Python实现特殊字符判断并去掉非字母和数字的特殊字符

《Python实现特殊字符判断并去掉非字母和数字的特殊字符》在Python中,可以通过多种方法来判断字符串中是否包含非字母、数字的特殊字符,并将这些特殊字符去掉,本文为大家整理了一些常用的,希望对大家... 目录1. 使用正则表达式判断字符串中是否包含特殊字符去掉字符串中的特殊字符2. 使用 str.isa

python中各种常见文件的读写操作与类型转换详细指南

《python中各种常见文件的读写操作与类型转换详细指南》这篇文章主要为大家详细介绍了python中各种常见文件(txt,xls,csv,sql,二进制文件)的读写操作与类型转换,感兴趣的小伙伴可以跟... 目录1.文件txt读写标准用法1.1写入文件1.2读取文件2. 二进制文件读取3. 大文件读取3.1

使用Python实现一个优雅的异步定时器

《使用Python实现一个优雅的异步定时器》在Python中实现定时器功能是一个常见需求,尤其是在需要周期性执行任务的场景下,本文给大家介绍了基于asyncio和threading模块,可扩展的异步定... 目录需求背景代码1. 单例事件循环的实现2. 事件循环的运行与关闭3. 定时器核心逻辑4. 启动与停

基于Python实现读取嵌套压缩包下文件的方法

《基于Python实现读取嵌套压缩包下文件的方法》工作中遇到的问题,需要用Python实现嵌套压缩包下文件读取,本文给大家介绍了详细的解决方法,并有相关的代码示例供大家参考,需要的朋友可以参考下... 目录思路完整代码代码优化思路打开外层zip压缩包并遍历文件:使用with zipfile.ZipFil

Python处理函数调用超时的四种方法

《Python处理函数调用超时的四种方法》在实际开发过程中,我们可能会遇到一些场景,需要对函数的执行时间进行限制,例如,当一个函数执行时间过长时,可能会导致程序卡顿、资源占用过高,因此,在某些情况下,... 目录前言func-timeout1. 安装 func-timeout2. 基本用法自定义进程subp

Python实现word文档内容智能提取以及合成

《Python实现word文档内容智能提取以及合成》这篇文章主要为大家详细介绍了如何使用Python实现从10个左右的docx文档中抽取内容,再调整语言风格后生成新的文档,感兴趣的小伙伴可以了解一下... 目录核心思路技术路径实现步骤阶段一:准备工作阶段二:内容提取 (python 脚本)阶段三:语言风格调