Compartir a través de


Trabajar con dataframes y tablas en R

Importante

SparkR en Databricks está en desuso en Databricks Runtime 16.0 y versiones posteriores. Databricks recomienda usar en su lugar sparklyr.

En este artículo se describe cómo usar paquetes de R como SparkR, sparklyr, y dplyr para trabajar con scripts de R, data.frame y tablas en memoria.

Tenga en cuenta que, a medida que trabaja con SparkR, sparklyr y dplyr, puede encontrar que puede completar una operación determinada con todos estos paquetes y puede usar el paquete con el que está más cómodo. Por ejemplo, para ejecutar una consulta, puede llamar a funciones como SparkR::sql, sparklyr::sdf_sqly dplyr::select. En otras ocasiones, es posible que pueda completar una operación con solo uno o dos de estos paquetes y la operación que elija depende del escenario de uso. Por ejemplo, la forma de llamar a sparklyr::sdf_quantile difiere ligeramente de la forma en que se llama a dplyr::percentile_approx, aunque ambas funciones calculan cuantiles.

Puede usar SQL como puente entre SparkR y sparklyr. Por ejemplo, puede usar SparkR::sql para consultar tablas que cree con sparklyr. Puede usar sparklyr::sdf_sql para consultar tablas que cree con SparkR. Y dplyr el código siempre se traduce a SQL en memoria antes de que se ejecute. Consulte también Interoperabilidad de API y traducción de SQL.

Carga SparkR, sparklyr y dplyr

Los paquetes sparkR, sparklyr y dplyr se incluyen en el entorno de ejecución de Databricks instalado en clústeres de Azure Databricks. Por lo tanto, no es necesario llamar al habitual install.package antes de poder empezar a llamar a estos paquetes. Sin embargo, todavía debe cargar estos paquetes con library primero. Por ejemplo, desde un cuaderno de R en un área de trabajo de Azure Databricks, ejecute el código siguiente en una celda de cuaderno para cargar SparkR, sparklyr y dplyr:

library(SparkR)
library(sparklyr)
library(dplyr)

Conexión de Sparklyr a un clúster

Después de cargar sparklyr, debe llamar a sparklyr::spark_connect para conectarse al clúster, especificando el método de conexión databricks. Por ejemplo, ejecute el código siguiente en una celda del cuaderno para conectarse al clúster que hospeda el cuaderno:

sc <- spark_connect(method = "databricks")

Por el contrario, un cuaderno de Azure Databricks ya establece un SparkSession en el clúster para su uso con SparkR, por lo que no es necesario llamar SparkR::sparkR.session antes de poder empezar a llamar a SparkR.

Carga de un archivo de datos JSON en el área de trabajo

Muchos de los ejemplos de código de este artículo se basan en datos de una ubicación específica en el área de trabajo de Azure Databricks, con nombres de columna y tipos de datos específicos. Los datos de este ejemplo de código se originan en un archivo JSON denominado book.json desde GitHub. Para obtener este archivo y cargarlo en el área de trabajo:

  1. Vaya al archivo books.json en GitHub y use un editor de texto para copiar su contenido en un archivo denominado books.json en algún lugar de la máquina local.
  2. En la barra lateral del área de trabajo de Azure Databricks, haga clic en Catálogo.
  3. Haga clic en Crear tabla.
  4. En la pestaña Cargar archivo, arrastra y suelta el books.json archivo de tu máquina local al cuadro Suelta archivos para cargar. O selecciona clic para explorar, y explora hasta el archivo en tu books.json máquina local.

De forma predeterminada, Azure Databricks carga el archivo local books.json en la ubicación DBFS del área de trabajo con la ruta de acceso /FileStore/tables/books.json.

No haga clic en Crear tabla con la interfaz de usuario ni en Crear tabla en notebook. Los ejemplos de código de este artículo usan los datos del archivo cargado books.json en esta ubicación de DBFS.

Leer los datos JSON en un dataframe

Use sparklyr::spark_read_json para leer el archivo JSON cargado en un DataFrame, especificando la conexión, la ruta de acceso al archivo JSON y un nombre para la representación de tabla interna de los datos. En este ejemplo, debe especificar que el book.json archivo contiene varias líneas. Especificar el esquema de las columnas aquí es opcional. De lo contrario, sparklyr deduce el esquema de las columnas de forma predeterminada. Por ejemplo, ejecute el código siguiente en una celda de cuaderno para leer los datos del archivo JSON cargado en un dataframe denominado jsonDF:

jsonDF <- spark_read_json(
  sc      = sc,
  name    = "jsonTable",
  path    = "/FileStore/tables/books.json",
  options = list("multiLine" = TRUE),
  columns = c(
    author    = "character",
    country   = "character",
    imageLink = "character",
    language  = "character",
    link      = "character",
    pages     = "integer",
    title     = "character",
    year      = "integer"
  )
)

Puede usar SparkR::head, SparkR::showo sparklyr::collect para imprimir las primeras filas de un dataframe. De forma predeterminada, head imprime las seis primeras filas de forma predeterminada. show e collect imprime las primeras 10 filas. Por ejemplo, ejecute el código siguiente en una celda de cuaderno para imprimir las primeras filas del DataFrame denominado jsonDF:

head(jsonDF)

# Source: spark<?> [?? x 8]
#   author                  country        image…¹ langu…² link  pages title  year
#   <chr>                   <chr>          <chr>   <chr>   <chr> <int> <chr> <int>
# 1 Chinua Achebe           Nigeria        images… English "htt…   209 Thin…  1958
# 2 Hans Christian Andersen Denmark        images… Danish  "htt…   784 Fair…  1836
# 3 Dante Alighieri         Italy          images… Italian "htt…   928 The …  1315
# 4 Unknown                 Sumer and Akk… images… Akkadi… "htt…   160 The … -1700
# 5 Unknown                 Achaemenid Em… images… Hebrew  "htt…   176 The …  -600
# 6 Unknown                 India/Iran/Ir… images… Arabic  "htt…   288 One …  1200
# … with abbreviated variable names ¹​imageLink, ²​language

show(jsonDF)

# Source: spark<jsonTable> [?? x 8]
#    author                  country       image…¹ langu…² link  pages title  year
#    <chr>                   <chr>         <chr>   <chr>   <chr> <int> <chr> <int>
#  1 Chinua Achebe           Nigeria       images… English "htt…   209 Thin…  1958
#  2 Hans Christian Andersen Denmark       images… Danish  "htt…   784 Fair…  1836
#  3 Dante Alighieri         Italy         images… Italian "htt…   928 The …  1315
#  4 Unknown                 Sumer and Ak… images… Akkadi… "htt…   160 The … -1700
#  5 Unknown                 Achaemenid E… images… Hebrew  "htt…   176 The …  -600
#  6 Unknown                 India/Iran/I… images… Arabic  "htt…   288 One …  1200
#  7 Unknown                 Iceland       images… Old No… "htt…   384 Njál…  1350
#  8 Jane Austen             United Kingd… images… English "htt…   226 Prid…  1813
#  9 Honoré de Balzac        France        images… French  "htt…   443 Le P…  1835
# 10 Samuel Beckett          Republic of … images… French… "htt…   256 Moll…  1952
# … with more rows, and abbreviated variable names ¹​imageLink, ²​language
# ℹ Use `print(n = ...)` to see more rows

collect(jsonDF)

# A tibble: 100 × 8
#    author                  country       image…¹ langu…² link  pages title  year
#    <chr>                   <chr>         <chr>   <chr>   <chr> <int> <chr> <int>
#  1 Chinua Achebe           Nigeria       images… English "htt…   209 Thin…  1958
#  2 Hans Christian Andersen Denmark       images… Danish  "htt…   784 Fair…  1836
#  3 Dante Alighieri         Italy         images… Italian "htt…   928 The …  1315
#  4 Unknown                 Sumer and Ak… images… Akkadi… "htt…   160 The … -1700
#  5 Unknown                 Achaemenid E… images… Hebrew  "htt…   176 The …  -600
#  6 Unknown                 India/Iran/I… images… Arabic  "htt…   288 One …  1200
#  7 Unknown                 Iceland       images… Old No… "htt…   384 Njál…  1350
#  8 Jane Austen             United Kingd… images… English "htt…   226 Prid…  1813
#  9 Honoré de Balzac        France        images… French  "htt…   443 Le P…  1835
# 10 Samuel Beckett          Republic of … images… French… "htt…   256 Moll…  1952
# … with 90 more rows, and abbreviated variable names ¹​imageLink, ²​language
# ℹ Use `print(n = ...)` to see more rows

Ejecución de consultas SQL y escritura en una tabla y lectura

Puede usar funciones de dplyr para ejecutar consultas SQL en un dataframe. Por ejemplo, ejecute el código siguiente en una celda de cuaderno para usar dplyr::group_by y dployr::count para obtener recuentos por autor del dataFrame denominado jsonDF. Use dplyr::arrange y dplyr::desc para ordenar el resultado en orden descendente por recuentos. A continuación, imprima las primeras 10 filas de forma predeterminada.

group_by(jsonDF, author) %>%
  count() %>%
  arrange(desc(n))

# Source:     spark<?> [?? x 2]
# Ordered by: desc(n)
#    author                     n
#    <chr>                  <dbl>
#  1 Fyodor Dostoevsky          4
#  2 Unknown                    4
#  3 Leo Tolstoy                3
#  4 Franz Kafka                3
#  5 William Shakespeare        3
#  6 William Faulkner           2
#  7 Gustave Flaubert           2
#  8 Homer                      2
#  9 Gabriel García Márquez     2
# 10 Thomas Mann                2
# … with more rows
# ℹ Use `print(n = ...)` to see more rows

Después, podría usar sparklyr::spark_write_table para escribir el resultado en una tabla de Azure Databricks. Por ejemplo, ejecute el código siguiente en una celda del cuaderno para volver a ejecutar la consulta y, a continuación, escriba el resultado en una tabla denominada json_books_agg:

group_by(jsonDF, author) %>%
  count() %>%
  arrange(desc(n)) %>%
  spark_write_table(
    name = "json_books_agg",
    mode = "overwrite"
  )

Para comprobar que se creó la tabla, podría usar sparklyr::sdf_sql junto con SparkR::showDF para mostrar los datos de la tabla. Por ejemplo, ejecute el código siguiente en una celda de cuaderno para consultar la tabla en un DataFrame y, a continuación, use sparklyr::collect para imprimir las primeras 10 filas del DataFrame de forma predeterminada:

collect(sdf_sql(sc, "SELECT * FROM json_books_agg"))

# A tibble: 82 × 2
#    author                     n
#    <chr>                  <dbl>
#  1 Fyodor Dostoevsky          4
#  2 Unknown                    4
#  3 Leo Tolstoy                3
#  4 Franz Kafka                3
#  5 William Shakespeare        3
#  6 William Faulkner           2
#  7 Homer                      2
#  8 Gustave Flaubert           2
#  9 Gabriel García Márquez     2
# 10 Thomas Mann                2
# … with 72 more rows
# ℹ Use `print(n = ...)` to see more rows

También puede usar sparklyr::spark_read_table para hacer algo similar. Por ejemplo, ejecute el código siguiente en una celda de cuaderno para consultar el dataframe anterior denominado jsonDF en un dataframe y, a continuación, use sparklyr::collect para imprimir las primeras 10 filas del dataframe de forma predeterminada:

fromTable <- spark_read_table(
  sc   = sc,
  name = "json_books_agg"
)

collect(fromTable)

# A tibble: 82 × 2
#    author                     n
#    <chr>                  <dbl>
#  1 Fyodor Dostoevsky          4
#  2 Unknown                    4
#  3 Leo Tolstoy                3
#  4 Franz Kafka                3
#  5 William Shakespeare        3
#  6 William Faulkner           2
#  7 Homer                      2
#  8 Gustave Flaubert           2
#  9 Gabriel García Márquez     2
# 10 Thomas Mann                2
# … with 72 more rows
# ℹ Use `print(n = ...)` to see more rows

Añadir columnas y calcular valores de columna en un DataFrame

Puede usar funciones dplyr para agregar columnas a DataFrames y para calcular los valores de las columnas.

Por ejemplo, ejecute el código siguiente en una celda del cuaderno para obtener el contenido del dataframe denominado jsonDF. Use dplyr::mutate para agregar una columna denominada todayy rellene esta nueva columna con la marca de tiempo actual. A continuación, escriba este contenido en un nuevo DataFrame denominado withDate y use dplyr::collect para imprimir las primeras 10 filas de dataFrame de forma predeterminada.

Nota:

dplyr::mutate solo acepta argumentos que se ajustan a las funciones integradas de Hive (también conocidas como UDF) y funciones de agregado integradas (también conocidas como UDAFs). Para obtener información general, consulte Funciones de Hive. Para obtener información sobre las funciones relacionadas con la fecha de esta sección, vea Funciones de fecha.

withDate <- jsonDF %>%
  mutate(today = current_timestamp())

collect(withDate)

# A tibble: 100 × 9
#    author    country image…¹ langu…² link  pages title  year today
#    <chr>     <chr>   <chr>   <chr>   <chr> <int> <chr> <int> <dttm>
#  1 Chinua A… Nigeria images… English "htt…   209 Thin…  1958 2022-09-27 21:32:59
#  2 Hans Chr… Denmark images… Danish  "htt…   784 Fair…  1836 2022-09-27 21:32:59
#  3 Dante Al… Italy   images… Italian "htt…   928 The …  1315 2022-09-27 21:32:59
#  4 Unknown   Sumer … images… Akkadi… "htt…   160 The … -1700 2022-09-27 21:32:59
#  5 Unknown   Achaem… images… Hebrew  "htt…   176 The …  -600 2022-09-27 21:32:59
#  6 Unknown   India/… images… Arabic  "htt…   288 One …  1200 2022-09-27 21:32:59
#  7 Unknown   Iceland images… Old No… "htt…   384 Njál…  1350 2022-09-27 21:32:59
#  8 Jane Aus… United… images… English "htt…   226 Prid…  1813 2022-09-27 21:32:59
#  9 Honoré d… France  images… French  "htt…   443 Le P…  1835 2022-09-27 21:32:59
# 10 Samuel B… Republ… images… French… "htt…   256 Moll…  1952 2022-09-27 21:32:59
# … with 90 more rows, and abbreviated variable names ¹​imageLink, ²​language
# ℹ Use `print(n = ...)` to see more rows

Ahora use dplyr::mutate para agregar dos columnas más al contenido del withDate dataframe. Las columnas nuevas month y year contienen el mes numérico y el año de la today columna. A continuación, escriba este contenido en un nuevo DataFrame denominado withMMyyyyy úselo dplyr::select junto con dplyr::collect para imprimir las authorcolumnas , titlemonth y year de las primeras diez filas del nuevo DataFrame de forma predeterminada:

withMMyyyy <- withDate %>%
  mutate(month = month(today),
         year  = year(today))

collect(select(withMMyyyy, c("author", "title", "month", "year")))

# A tibble: 100 × 4
#    author                  title                                     month  year
#    <chr>                   <chr>                                     <int> <int>
#  1 Chinua Achebe           Things Fall Apart                             9  2022
#  2 Hans Christian Andersen Fairy tales                                   9  2022
#  3 Dante Alighieri         The Divine Comedy                             9  2022
#  4 Unknown                 The Epic Of Gilgamesh                         9  2022
#  5 Unknown                 The Book Of Job                               9  2022
#  6 Unknown                 One Thousand and One Nights                   9  2022
#  7 Unknown                 Njál's Saga                                   9  2022
#  8 Jane Austen             Pride and Prejudice                           9  2022
#  9 Honoré de Balzac        Le Père Goriot                                9  2022
# 10 Samuel Beckett          Molloy, Malone Dies, The Unnamable, the …     9  2022
# … with 90 more rows
# ℹ Use `print(n = ...)` to see more rows

Ahora use dplyr::mutate para agregar dos columnas más al contenido del withMMyyyy dataframe. Las nuevas formatted_date columnas contienen la yyyy-MM-dd parte de la today columna, mientras que la nueva day columna contiene el día numérico de la nueva formatted_date columna. A continuación, escriba este contenido en un nuevo DataFrame denominado withUnixTimestampy úselo dplyr::select junto con dplyr::collect para imprimir las titlecolumnas , formatted_datey day de las primeras diez filas del nuevo DataFrame de forma predeterminada:

withUnixTimestamp <- withMMyyyy %>%
  mutate(formatted_date = date_format(today, "yyyy-MM-dd"),
         day            = dayofmonth(formatted_date))

collect(select(withUnixTimestamp, c("title", "formatted_date", "day")))

# A tibble: 100 × 3
#    title                                           formatted_date   day
#    <chr>                                           <chr>          <int>
#  1 Things Fall Apart                               2022-09-27        27
#  2 Fairy tales                                     2022-09-27        27
#  3 The Divine Comedy                               2022-09-27        27
#  4 The Epic Of Gilgamesh                           2022-09-27        27
#  5 The Book Of Job                                 2022-09-27        27
#  6 One Thousand and One Nights                     2022-09-27        27
#  7 Njál's Saga                                     2022-09-27        27
#  8 Pride and Prejudice                             2022-09-27        27
#  9 Le Père Goriot                                  2022-09-27        27
# 10 Molloy, Malone Dies, The Unnamable, the trilogy 2022-09-27        27
# … with 90 more rows
# ℹ Use `print(n = ...)` to see more rows

Creación de una vista temporal

Puede crear vistas temporales con nombre en memoria basadas en dataframes existentes. Por ejemplo, ejecute el siguiente código en una celda de notebook para usar SparkR::createOrReplaceTempView y obtener el contenido del dataframe anterior denominado jsonTable y crear una vista temporal a partir de ella denominada timestampTable. A continuación, use sparklyr::spark_read_table para leer el contenido de la vista temporal. Use sparklyr::collect para imprimir las primeras 10 filas de la tabla temporal de forma predeterminada:

createOrReplaceTempView(withTimestampDF, viewName = "timestampTable")

spark_read_table(
  sc = sc,
  name = "timestampTable"
) %>% collect()

# A tibble: 100 × 10
#    author    country image…¹ langu…² link  pages title  year today
#    <chr>     <chr>   <chr>   <chr>   <chr> <int> <chr> <int> <dttm>
#  1 Chinua A… Nigeria images… English "htt…   209 Thin…  1958 2022-09-27 21:11:56
#  2 Hans Chr… Denmark images… Danish  "htt…   784 Fair…  1836 2022-09-27 21:11:56
#  3 Dante Al… Italy   images… Italian "htt…   928 The …  1315 2022-09-27 21:11:56
#  4 Unknown   Sumer … images… Akkadi… "htt…   160 The … -1700 2022-09-27 21:11:56
#  5 Unknown   Achaem… images… Hebrew  "htt…   176 The …  -600 2022-09-27 21:11:56
#  6 Unknown   India/… images… Arabic  "htt…   288 One …  1200 2022-09-27 21:11:56
#  7 Unknown   Iceland images… Old No… "htt…   384 Njál…  1350 2022-09-27 21:11:56
#  8 Jane Aus… United… images… English "htt…   226 Prid…  1813 2022-09-27 21:11:56
#  9 Honoré d… France  images… French  "htt…   443 Le P…  1835 2022-09-27 21:11:56
# 10 Samuel B… Republ… images… French… "htt…   256 Moll…  1952 2022-09-27 21:11:56
# … with 90 more rows, 1 more variable: month <chr>, and abbreviated variable
#   names ¹​imageLink, ²​language
# ℹ Use `print(n = ...)` to see more rows, and `colnames()` to see all variable names

Realizar análisis estadísticos en un dataframe

Puede usar sparklyr junto con dplyr para análisis estadísticos.

Por ejemplo, cree un dataframe para ejecutar estadísticas. Para ello, ejecute el código siguiente en una celda de cuaderno para usar sparklyr::sdf_copy_to para escribir el contenido del conjunto de iris datos integrado en R en un DataFrame denominado iris. Use sparklyr::sdf_collect para imprimir las primeras 10 filas de la tabla temporal de forma predeterminada:

irisDF <- sdf_copy_to(
  sc        = sc,
  x         = iris,
  name      = "iris",
  overwrite = TRUE
)

sdf_collect(irisDF, "row-wise")

# A tibble: 150 × 5
#    Sepal_Length Sepal_Width Petal_Length Petal_Width Species
#           <dbl>       <dbl>        <dbl>       <dbl> <chr>
#  1          5.1         3.5          1.4         0.2 setosa
#  2          4.9         3            1.4         0.2 setosa
#  3          4.7         3.2          1.3         0.2 setosa
#  4          4.6         3.1          1.5         0.2 setosa
#  5          5           3.6          1.4         0.2 setosa
#  6          5.4         3.9          1.7         0.4 setosa
#  7          4.6         3.4          1.4         0.3 setosa
#  8          5           3.4          1.5         0.2 setosa
#  9          4.4         2.9          1.4         0.2 setosa
# 10          4.9         3.1          1.5         0.1 setosa
# … with 140 more rows
# ℹ Use `print(n = ...)` to see more rows

Ahora use dplyr::group_by para agrupar filas por la Species columna. Utilice dplyr::summarize junto con dplyr::percentile_approx para calcular las estadísticas de resumen según los cuantiles del 25, 50, 75 y 100 por ciento de la columna Sepal_Length por Species. Utilice sparklyr::collect para imprimir los resultados:

Nota:

dplyr::summarize solo acepta argumentos que se ajustan a las funciones integradas de Hive (también conocidas como UDF) y funciones de agregado integradas (también conocidas como UDAFs). Para obtener información general, consulte Funciones de Hive. Para obtener información sobre percentile_approx, vea Funciones de agregado integradas (UDAF) .

quantileDF <- irisDF %>%
  group_by(Species) %>%
  summarize(
    quantile_25th = percentile_approx(
      Sepal_Length,
      0.25
    ),
    quantile_50th = percentile_approx(
      Sepal_Length,
      0.50
    ),
    quantile_75th = percentile_approx(
      Sepal_Length,
      0.75
    ),
    quantile_100th = percentile_approx(
      Sepal_Length,
      1.0
    )
  )

collect(quantileDF)

# A tibble: 3 × 5
#   Species    quantile_25th quantile_50th quantile_75th quantile_100th
#   <chr>              <dbl>         <dbl>         <dbl>          <dbl>
# 1 virginica            6.2           6.5           6.9            7.9
# 2 versicolor           5.6           5.9           6.3            7
# 3 setosa               4.8           5             5.2            5.8

Los resultados similares se pueden calcular, por ejemplo, mediante sparklyr::sdf_quantile:

print(sdf_quantile(
  x = irisDF %>%
    filter(Species == "virginica"),
  column = "Sepal_Length",
  probabilities = c(0.25, 0.5, 0.75, 1.0)
))

# 25%  50%  75% 100%
# 6.2  6.5  6.9  7.9