Trabalhar com DataFrames e tabelas no R
Este artigo descreve como usar os pacotes R como SparkR, sparklyr e dplyr para trabalhar com R data.frames, Spark DataFrames e tabelas na memória.
Observe que, ao trabalhar com SparkR, sparklyr e dplyr, você pode verificar que pode concluir uma operação específica com todos esses pacotes e pode usar o pacote com o qual está mais confortável. Por exemplo, para executar uma consulta, você pode chamar funções como SparkR::sql, sparklyr::sdf_sql e dplyr::select. Em outros momentos, você pode ser capaz de concluir uma operação com apenas um ou dois desses pacotes, e a operação escolhida depende do cenário de uso. Por exemplo, a maneira como você chama sparklyr::sdf_quantile difere ligeiramente da maneira como você chama dplyr::percentile_approx, mesmo que ambas as funções calculem quantis.
Você pode usar o SQL como uma ponte entre o SparkR e o sparklyr. Por exemplo, você pode usar SparkR::sql para consultar tabelas criadas com o sparklyr. Você pode usar sparklyr::sdf_sql para consultar tabelas criadas com o SparkR. E o código dplyr é sempre convertido em SQL na memória antes de ser executado. Consulte também a interoperabilidade da API e a Tradução de SQL.
Carregar o SparkR, sparklyr e dplyr
Os pacotes do SparkR, sparklyr e dplyr estão incluídos no Databricks Runtime instalado em clusters do Azure Databricks. Portanto, você não precisa chamar o install.package usual antes de começar a chamar esses pacotes. No entanto, você ainda deve carregar esses pacotes com library primeiro. Por exemplo, de dentro de um notebook R em um workspace do Azure Databricks, execute o seguinte código em uma célula de notebook para carregar o SparkR, sparklyr e dplyr:
library(SparkR)
library(sparklyr)
library(dplyr)
Conectar o sparklyr a um cluster
Depois de carregar o sparklyr, você deve chamar sparklyr::spark_connect para se conectar ao cluster, especificando o método de conexão databricks. Por exemplo, execute o seguinte código em uma célula de notebook para se conectar ao cluster que hospeda o notebook:
sc <- spark_connect(method = "databricks")
Por outro lado, um notebook do Azure Databricks já estabelece um SparkSession no cluster para uso com o SparkR, portanto, você não precisa chamar SparkR::sparkR.session antes de começar a chamar o SparkR.
Carregar um arquivo de dados JSON no workspace
Muitos exemplos de código neste artigo são baseados em dados em um local específico no workspace do Azure Databricks, com nomes de coluna e tipos de dados específicos. Os dados desse exemplo de código se originam em um arquivo JSON chamado book.json de dentro do GitHub. Para obter esse arquivo e carregá-lo em seu workspace:
- Acesse o arquivo books.json no GitHub e use um editor de texto para copiar seu conteúdo para um arquivo chamado
books.jsonem algum lugar em seu computador local. - Na barra lateral do espaço de trabalho do Azure Databricks, clique em Catalog.
- Clique em Criar Tabela.
- Na guia Carregar arquivo, remova o arquivo
books.jsondo computador local para a caixa Remover arquivos para upload. Ou selecione clique para procurar e navegue até o arquivobooks.jsondo computador local.
Por padrão, o Azure Databricks carrega seu arquivo books.json local para o local do DBFS no workspace com o caminho /FileStore/tables/books.json.
Não clique em Criar tabela com interface do usuário ou Criar tabela no notebook. Os exemplos de código neste artigo usam os dados no arquivo books.json carregado neste local do DBFS.
Ler os dados JSON em um DataFrame
Use sparklyr::spark_read_json para ler o arquivo JSON carregado em um DataFrame, especificando a conexão, o caminho para o arquivo JSON e um nome para a representação da tabela interna dos dados. Neste exemplo, você deve especificar que o arquivo book.json contém várias linhas. A especificação do esquema das colunas aqui é opcional. Caso contrário, o sparklyr infere o esquema das colunas por padrão. Por exemplo, execute o seguinte código em uma célula de notebook para ler os dados do arquivo JSON carregado em um DataFrame chamado 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"
)
)
Imprimir as primeiras linhas de um DataFrame
Você pode usar SparkR::head, SparkR::show ou sparklyr::collect para imprimir as primeiras linhas de um DataFrame. Por padrão, head imprime as seis primeiras linhas. show e collect imprime as 10 primeiras linhas. Por exemplo, execute o seguinte código em uma célula de notebook para imprimir as primeiras linhas do DataFrame chamado 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 ¹imageLink, ²language
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 ¹imageLink, ²language
# 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 ¹imageLink, ²language
# ℹ Use `print(n = ...)` to see more rows
Executar consultas SQL e gravar e ler de uma tabela
Você pode usar as funções dplyr para executar consultas SQL em um DataFrame. Por exemplo, execute o código a seguir em uma célula de notebook para usar dplyr::group_by e dployr::count para obter contagens por autor do DataFrame chamado jsonDF. Use dplyr::arrange e dplyr::desc para classificar o resultado em ordem decrescente por contagens. Em seguida, imprima as primeiras 10 linhas por padrão.
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
Em seguida, você pode usar sparklyr::spark_write_table para gravar o resultado em uma tabela no Azure Databricks. Por exemplo, execute o seguinte código em uma célula de notebook para executar novamente a consulta e gravar o resultado em uma tabela chamada json_books_agg:
group_by(jsonDF, author) %>%
count() %>%
arrange(desc(n)) %>%
spark_write_table(
name = "json_books_agg",
mode = "overwrite"
)
Para verificar se a tabela foi criada, você pode usar sparklyr::sdf_sql junto com SparkR::showDF para exibir os dados da tabela. Por exemplo, execute o seguinte código em uma célula de notebook para consultar a tabela em um DataFrame e, em seguida, use sparklyr::collect para imprimir as 10 primeiras linhas do DataFrame por padrão:
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
Você também pode usar sparklyr::spark_read_table para fazer algo semelhante. Por exemplo, execute o seguinte código em uma célula de notebook para consultar o DataFrame anterior chamado jsonDF em um DataFrame e, em seguida, use sparklyr::collect para imprimir as 10 primeiras linhas do DataFrame por padrão:
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
Adicionar colunas e calcular valores de coluna em um DataFrame
Você pode usar as funções dplyr para adicionar colunas ao DataFrames e computar os valores das colunas.
Por exemplo, execute o seguinte código em uma célula de notebook para obter o conteúdo do DataFrame chamado jsonDF. Use dplyr::mutate para adicionar uma coluna chamada today e preencha essa nova coluna com o carimbo de data/hora atual. Em seguida, grave esses conteúdos em um novo DataFrame chamado withDate e use dplyr::collect para imprimir as 10 primeiras linhas do novo DataFrame por padrão.
Observação
dplyr::mutate aceita apenas argumentos que estão em conformidade com as funções internas do Hive (também conhecidas como UDFs) e funções de agregação internas (também conhecidas como UDAFs). Para obter informações gerais, consulte as Funções do Hive. Para obter informações sobre as funções relacionadas à data nesta seção, consulte Funções de data.
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 ¹imageLink, ²language
# ℹ Use `print(n = ...)` to see more rows
Agora, use dplyr::mutate para adicionar mais duas colunas ao conteúdo do DataFrame withDate. As colunas month e year novas contêm o mês e o ano numéricos da coluna today. Em seguida, grave esses conteúdos em um novo DataFrame chamado withMMyyyy e use dplyr::select junto com dplyr::collect para imprimir as colunas author, title, month e year das dez primeiras linhas do novo DataFrame por padrão:
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
Agora, use dplyr::mutate para adicionar mais duas colunas ao conteúdo do DataFrame withMMyyyy. As novas formatted_date colunas contêm a parte yyyy-MM-dd da coluna today, enquanto a nova coluna day contém o dia numérico da nova coluna formatted_date. Em seguida, grave esses conteúdos em um novo DataFrame chamado withUnixTimestamp e use dplyr::select junto com dplyr::collect para imprimir as colunas title, formatted_date e day das dez primeiras linhas do novo DataFrame por padrão:
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
Criar uma exibição temporária
Você pode criar exibições temporárias nomeadas na memória baseadas em DataFrames existentes. Por exemplo, execute o código a seguir em uma célula de notebook para usar SparkR::createOrReplaceTempView para obter o conteúdo do DataFrame anterior chamado jsonTable e faça uma exibição temporária chamada timestampTable. Em seguida, use sparklyr::spark_read_table para ler o conteúdo da exibição temporária. Use sparklyr::collect para imprimir as 10 primeiras linhas da tabela temporária por padrão:
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 ¹imageLink, ²language
# ℹ Use `print(n = ...)` to see more rows, and `colnames()` to see all variable names
Executar análise estatística em um DataFrame
Você pode usar o sparklyr junto com o dplyr para análises estatísticas.
Por exemplo, crie um DataFrame para executar estatísticas. Para fazer isso, execute o código a seguir em uma célula do notebook para usar sparklyr::sdf_copy_to para gravar o conteúdo do conjunto de dados iris que é incorporado ao R em um DataFrame chamado iris. Use sparklyr::sdf_collect para imprimir as 10 primeiras linhas da tabela temporária por padrão:
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
Agora, use dplyr::group_by para agrupar linhas pela coluna Species. Use dplyr::summarize com dplyr::percentile_approx para calcular as estatísticas resumidas pelos quantis 25, 50, 75 e 100 da coluna Sepal_Length por Species. Use sparklyr::collect uma impressão dos resultados:
Observação
dplyr::summarize aceita apenas argumentos que estão em conformidade com as funções internas do Hive (também conhecidas como UDFs) e funções de agregação internas (também conhecidas como UDAFs). Para obter informações gerais, consulte as Funções do Hive. Para obter informações sobre percentile_approx, consulte Funções de agregação internas (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
Resultados semelhantes podem ser calculados, por exemplo, usando 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