使用惰性處理
惰性處理的操作通常會在差不多的時間內回傳結果，而不太受實際資料量影響。記得，這是因為 Spark 直到發出動作（action）時才會真正執行轉換（transformation）。
在這個練習中，我們會定義一個 DataFrame（aa_dfw_df），並加入幾個轉換。請注意：在只定義轉換時與實際查詢資料時，轉換完成所需的時間差異。這些差異可能不大，但會感覺得到。當你在完整的 Spark 叢集上處理更大量的資料時，差異會更加明顯。
本練習屬於課程
使用 PySpark 清理資料
練習說明
- 載入 DataFrame。
- 對
Destination Airport欄位加入F.lower()的轉換。 - 顯示 DataFrame，並留意此動作完成所需的時間差異。
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。
# Load the CSV file
aa_dfw_df = ____.____.____('csv').options(Header=True).load('AA_DFW_2018.csv.gz')
# Add the airport column using the F.lower() method
aa_dfw_df = aa_dfw_df.withColumn('airport', ____(aa_dfw_df['Destination Airport']))
# Show the DataFrame
____