Seleção II
Assim como no SQL, você também pode usar o.select()método para realizar operações por coluna. Quando estiver selecionando uma coluna usando a notação df.colName, você poderá executar qualquer operação com colunas, e o método .select() retornará a coluna transformada. Por exemplo:
flights.select(flights.air_time/60)
retorna uma coluna de durações de voo em horas em vez de minutos. Você também pode usar o método .alias() para renomear uma coluna que está selecionando. Portanto, se você quiser usar .select() para selecionar a coluna duration_hrs (que não está no DataFrame), poderá fazer o seguinte:
flights.select((flights.air_time/60).alias("duration_hrs"))
O método equivalente do Spark.selectExpr() DataFrame aceita expressões SQL como uma string:
flights.selectExpr("air_time/60 as duration_hrs")
onde a palavra-chaveas SQL é equivalente ao.alias()método. Para selecionar várias colunas, você pode passar várias strings.
Lembre-se de que uma SparkSession chamada spark já está em seu espaço de trabalho, junto com o DataFrame flights do Spark.
Este exercício faz parte do curso
Fundamentos do PySpark
Instruções do exercício
Crie uma tabela com a velocidade média de cada voo nos dois sentidos.
- Calcule a velocidade média dividindo a distância (
distance) pelo tempo de voo (air_time) convertido em horas. Use o método.alias()para chamar essa coluna de"avg_speed". Salve a saída como a variávelavg_speed. - Selecione as colunas
"origin", "dest", "tailnum"eavg_speed(sem aspas!). Salve o resultado comospeed1. - Cria a mesma tabela usando
.selectExpr()e uma string que contenha uma expressão SQL. Salve o resultado comospeed2.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Define avg_speed
avg_speed = (flights.____/(flights.____/60)).alias("____")
# Select the correct columns
speed1 = flights.select("origin", "dest", "tailnum", avg_speed)
# Create the same table using a SQL expression
speed2 = flights.selectExpr("____", "____", "____", "distance/(air_time/60) as ____")