建立 Delta Lake 資料表
Delta Lake 建立在資料表上，可提供資料湖中檔案的關聯式儲存體抽象概念。
從資料框架建立 Delta Lake 資料表
建立 Delta Lake 資料表最簡單的其中一種方式，就是以「差異」格式儲存資料框架，並指定應該儲存資料表之資料檔案和相關中繼資料資訊的路徑。
例如，下列 PySpark 程式碼會載入具有現有檔案資料的資料框架，然後將該資料框架儲存到「差異」格式的新資料夾位置：
# Load a file into a dataframe
df = spark.read.load('/data/mydata.csv', format='csv', header=True)
# Save the dataframe as a delta table
delta_table_path = "/delta/mydata"
df.write.format("delta").save(delta_table_path)
儲存差異資料表之後，您指定的路徑位置會包含資料的 parquet 檔案 (不論載入資料框架的來源檔案格式為何)，以及包含資料表交易記錄的 _delta_log 資料夾。
注意
交易記錄會將所有資料修改記錄至資料表。 藉由記錄每個修改，可以強制執行交易一致性，並保留資料表的版本設定資訊。
您可以使用覆寫模式，將現有 Delta Lake 資料表取代為資料框架的內容，如下所示：
new_df.write.format("delta").mode("overwrite").save(delta_table_path)
您也可以使用附加模式，將資料列從資料框架新增至現有的資料表：
new_rows_df.write.format("delta").mode("append").save(delta_table_path)
進行條件式更新
雖然您可以在資料框架中修改資料，然後藉由覆寫該資料來取代 Delta Lake 資料表，但資料庫中的較常見模式是插入、更新或刪除現有資料表中的資料列作為離散交易作業。 若要向 Delta Lake 資料表進行此類修改，您可以使用 Delta Lake API 中的 DeltaTable 物件，其支援「更新」、「刪除」和「合併」作業。 例如，您可以使用下列程式碼，針對 [類別] 資料行值為「配件」的所有資料列，更新 [價格] 資料行：
from delta.tables import *
from pyspark.sql.functions import *
# Create a deltaTable object
deltaTable = DeltaTable.forPath(spark, delta_table_path)
# Update the table (reduce price of accessories by 10%)
deltaTable.update(
condition = "Category == 'Accessories'",
set = { "Price": "Price * 0.9" })
資料修改會記錄在交易記錄中，並視需要在資料表資料夾中建立新的 parquet 檔案。
提示
如需使用 Data Lake API 的詳細資訊，請參閱 Delta Lake API 文件。
查詢舊版資料表
Delta Lake 資料表支援透過交易記錄進行版本設定。 交易記錄會記錄對資料表所做的修改，並記下每個交易的時間戳記和版本號碼。 您可以使用此記錄的版本資料以檢視舊版資料表 - 此功能稱為「時間移動」。
您可以藉由將差異資料表位置的資料讀取至資料框架，使用 versionAsOf 選項指定所需版本，以從特定版本的 Delta Lake 資料表擷取資料：
df = spark.read.format("delta").option("versionAsOf", 0).load(delta_table_path)
或者，您可以藉由使用 timestampAsOf 選項來指定時間戳記：
df = spark.read.format("delta").option("timestampAsOf", '2022-01-01').load(delta_table_path)