第 3 部分：資料視覺化
在探索式資料分析（EDA）中，資料視覺化非常重要。相較於 RDD，PySpark 的 DataFrame 由於具備結構與綱要（schema），更適合用於視覺化。
在這個第三部分，你將使用前一個練習建立的 DataFrame，為所有來自德國的球員年齡繪製直方圖。為此，你會先把 PySpark DataFrame 轉成 Pandas DataFrame，並使用 matplotlib 的 plot() 函式為德國球員的年齡建立機率密度圖。
記住，你的工作環境中已經有 SparkSession spark、暫存資料表 fifa_df_table，以及 DataFrame fifa_df_germany_age 可供使用。
本練習屬於課程
使用 PySpark 的 Big Data 基礎
練習說明
- 將
fifa_df_germany_age轉換成 Pandas DataFramefifa_df_germany_age_pandas。 - 從
fifa_df_germany_age_pandas的 'Age' 欄位產生一張機率密度圖。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Convert fifa_df to fifa_df_germany_age_pandas DataFrame
fifa_df_germany_age_pandas = fifa_df_germany_age.____()
# Plot the 'Age' density of Germany Players
____.plot(kind='density')
plt.show()