spark dataframe操作集锦（提取前几行，合并，入库等）

spark dataframe派生于RDD类，但是提供了非常强大的数据操作功能。当然主要对类SQL的支持。

在实际工作中会遇到这样的情况，主要是会进行两个数据集的筛选、合并，重新入库。

首先加载数据集，然后在提取数据集的前几行过程中，才找到limit的函数。

而合并就用到union函数，重新入库，就是registerTemple注册成表，再进行写入到HIVE中。

不得不赞叹dataframe的强大。

具体示例：为了得到样本均衡的训练集，需要对两个数据集中各取相同的训练样本数目来组成，因此用到了这个功能。

scala> val fes = hiveContext.sql(sqlss) fes: org.apache.spark.sql.DataFrame = [caller_num: string, is_sr: int, call_count: int, avg_talk_time: double, max_talk_time: int, min_talk_time: int, called_num_count: int, called_lsd: double, null_called_count: int] scala> val fcount = fes.count() fcount: Long = 4371029 scala> val zcfea = hiveContext.sql(sqls2) zcfea: org.apache.spark.sql.DataFrame = [caller_num: string, is_sr: int, call_count: int, avg_talk_time: double, max_talk_time: int, min_talk_time: int, called_num_count: int, called_lsd: double, null_called_count: int] scala> val zcount = zcfea.count() zcount: Long = 14208117 scala> val f01 = fes.limit(25000) f01: org.apache.spark.sql.DataFrame = [caller_num: string, is_sr: int, call_count: int, avg_talk_time: double, max_talk_time: int, min_talk_time: int, called_num_count: int, called_lsd: double, null_called_count: int] scala> val f02 = zcfea.limit(25000) f02: org.apache.spark.sql.DataFrame = [caller_num: string, is_sr: int, call_count: int, avg_talk_time: double, max_talk_time: int, min_talk_time: int, called_num_count: int, called_lsd: double, null_called_count: int] scala> val ff=f01.unionAll(f02) ff: org.apache.spark.sql.DataFrame = [caller_num: string, is_sr: int, call_count: int, avg_talk_time: double, max_talk_time: int, min_talk_time: int, called_num_count: int, called_lsd: double, null_called_count: int] scala> ff.registerTempTable("ftable01") scala> hiveContext.sql("create table shtrainfeature as select * from ftable01") res1: org.apache.spark.sql.DataFrame = []

最后附上dataframe的一些操作及用法：

DataFrame 的函数 Action 操作 1、 collect() ,返回值是一个数组，返回dataframe集合所有的行 2、 collectAsList() 返回值是一个java类型的数组，返回dataframe集合所有的行 3、 count() 返回一个number类型的，返回dataframe集合的行数 4、 describe(cols: String*) 返回一个通过数学计算的类表值(count, mean, stddev, min, and max)，这个可以传多个参数，中间用逗号分隔，如果有字段为空，那么不参与运算，只这对数值类型的字段。例如df.describe("age", "height").show() 5、 first() 返回第一行 ，类型是row类型 6、 head() 返回第一行 ，类型是row类型 7、 head(n:Int)返回n行  ，类型是row 类型 8、 show()返回dataframe集合的值 默认是20行，返回类型是unit 9、 show(n:Int)返回n行，，返回值类型是unit 10、 table(n:Int) 返回n行  ，类型是row 类型

dataframe的基本操作 1、 cache()同步数据的内存 2、 columns 返回一个string类型的数组，返回值是所有列的名字 3、 dtypes返回一个string类型的二维数组，返回值是所有列的名字以及类型 4、 explan()打印执行计划  物理的 5、 explain(n:Boolean) 输入值为 false 或者true ，返回值是unit  默认是false ，如果输入true 将会打印 逻辑的和物理的 6、 isLocal 返回值是Boolean类型，如果允许模式是local返回true 否则返回false 7、 persist(newlevel:StorageLevel) 返回一个dataframe.this.type 输入存储模型类型 8、 printSchema() 打印出字段名称和类型 按照树状结构来打印 9、 registerTempTable(tablename:String) 返回Unit ，将df的对象只放在一张表里面，这个表随着对象的删除而删除了 10、 schema 返回structType 类型，将字段名称和类型按照结构体类型返回 11、 toDF()返回一个新的dataframe类型的 12、 toDF(colnames：String*)将参数中的几个字段返回一个新的dataframe类型的， 13、 unpersist() 返回dataframe.this.type 类型，去除模式中的数据 14、 unpersist(blocking:Boolean)返回dataframe.this.type类型 true 和unpersist是一样的作用false 是去除RDD 集成查询： 1、 agg(expers:column*) 返回dataframe类型 ，同数学计算求值 df.agg(max("age"), avg("salary")) df.groupBy().agg(max("age"), avg("salary")) 2、 agg(exprs: Map[String, String])  返回dataframe类型 ，同数学计算求值 map类型的 df.agg(Map("age" -> "max", "salary" -> "avg")) df.groupBy().agg(Map("age" -> "max", "salary" -> "avg")) 3、 agg(aggExpr: (String, String), aggExprs: (String, String)*)  返回dataframe类型 ，同数学计算求值 df.agg(Map("age" -> "max", "salary" -> "avg")) df.groupBy().agg(Map("age" -> "max", "salary" -> "avg")) 4、 apply(colName: String) 返回column类型，捕获输入进去列的对象 5、 as(alias: String) 返回一个新的dataframe类型，就是原来的一个别名 6、 col(colName: String)  返回column类型，捕获输入进去列的对象 7、 cube(col1: String, cols: String*) 返回一个GroupedData类型，根据某些字段来汇总 8、 distinct 去重 返回一个dataframe类型 9、 drop(col: Column) 删除某列 返回dataframe类型 10、 dropDuplicates(colNames: Array[String]) 删除相同的列 返回一个dataframe 11、 except(other: DataFrame) 返回一个dataframe，返回在当前集合存在的在其他集合不存在的 12、 explode[A, B](inputColumn: String, outputColumn: String)(f: (A) ⇒ TraversableOnce[B])(implicit arg0: scala.reflect.api.JavaUniverse.TypeTag[B]) 返回值是dataframe类型，这个 将一个字段进行更多行的拆分 df.explode("name","names") {name :String=> name.split(" ")}.show(); 将name字段根据空格来拆分，拆分的字段放在names里面 13、 filter(conditionExpr: String): 刷选部分数据，返回dataframe类型 df.filter("age>10").show();  df.filter(df("age")>10).show();   df.where(df("age")>10).show(); 都可以 14、 groupBy(col1: String, cols: String*) 根据某写字段来汇总返回groupedate类型   df.groupBy("age").agg(Map("age" ->"count")).show();df.groupBy("age").avg().show();都可以 15、 intersect(other: DataFrame) 返回一个dataframe，在2个dataframe都存在的元素 16、 join(right: DataFrame, joinExprs: Column, joinType: String) 一个是关联的dataframe，第二个关联的条件，第三个关联的类型：inner, outer, left_outer, right_outer, leftsemi df.join(ds,df("name")===ds("name") and  df("age")===ds("age"),"outer").show(); 17、 limit(n: Int) 返回dataframe类型  去n 条数据出来 18、 na: DataFrameNaFunctions ，可以调用dataframenafunctions的功能区做过滤 df.na.drop().show(); 删除为空的行 19、 orderBy(sortExprs: Column*) 做alise排序 20、 select(cols:string*) dataframe 做字段的刷选 df.select(