Lendo um CSV e fazendo agregações
Você tem uma planilha com salários de Data Scientists em empresas que variam de pequeno a grande porte. Você quer verificar se existe uma diferença significativa entre os salários médios agrupados por tamanho da empresa.
Lembre-se: já existe uma SparkSession chamada spark no seu workspace!
Este exercício faz parte do curso
Introdução ao PySpark
Instruções do exercício
- Carregue um arquivo CSV como um DataFrame e infira o schema.
- Retorne a contagem do número de linhas.
- Faça o agrupamento pela coluna
company_sizee calcule o salário médio comsalary_in_usd.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Load the CSV file into a DataFrame
salaries_df = ____("salaries.csv", header=True, inferSchema=____)
# Count the total number of rows
row_count = salaries_df.____
print(f"Total rows: {row_count}")
# Group by company size and calculate the average of salaries
salaries_df.____("company_size").____({"salary_in_usd": "avg"}).show()
salaries_df.show()