SQL、Pandas和Spark：这个库，实现了三大数据分析工具的大一统

 

01 pyspark简介及环境搭建

pyspark是python中的一个第三方库，相当于Apache Spark组件的python化版本(Spark当前支持Java Scala Python和R 4种编程语言接口)，需要依赖py4j库(即python for java的缩略词)，而恰恰是这个库实现了将python和java的互联，所以pyspark库虽然体积很大，大约226M，但实际上绝大部分都是spark中的原生jar包，占据了217M，体积占比高达96%。

由于Spark是基于Scala语言实现的大数据组件，而Scala语言又是运行在JVM虚拟机上的，所以Spark自然依赖JDK，截止目前为止JDK8依然可用，而且几乎是安装各大数据组件时的首选。所以搭建pyspark环境首先需要安装JDK8，而后这里介绍两种方式搭建pyspark运行环境：

1)pip install pyspark+任意pythonIDE

pyspark作为python的一个第三方库，自然可以通过pip包管理工具进行安装，所以仅需执行如下命令即可完成自动安装：

 
 
pip install pyspark 
 

为了保证更快的下载速度，可以更改pip源为国内镜像，具体设置方式可参考历史文章：是时候总结一波Python环境搭建问题了

2)Spark官网下载指定tar包解压

与其他大数据组件不同，Spark实际上提供了windows系统下良好的兼容运行环境，而且方式也非常简单。访问spark官网，选择目标版本(当前最新版本是spark3.1.1版本)，点击链接即可跳转到下载页面，不出意外的话会自动推荐国内镜像下载地址，所以下载速度是很有保证的。

下载完毕后即得到了一个tgz格式的文件，移动至适当目录直接解压即可，而后进入bin目录，选择打开pyspark.cmd，即会自动创建一个pyspark的shell运行环境，整个过程非常简单，无需任何设置。

进入pyspark环境，已创建好sc和spark两个入口变量

两种pyspark环境搭建方式对比：

• 运行环境不同：pip源安装相当于扩展了python运行库，所以可在任何pythonIDE中引入和使用，更为灵活方便;而spark tar包解压本质上相当于是安装了一个windows系统下的软件，只能通过执行该“软件”的方式进入
• 提供功能不同：pip源安装方式仅限于在python语言下使用，只要可以import pyspark即可;而spark tar包解压，则不仅提供了pyspark入口，其实还提供了spark-shell(scala版本)sparkR等多种cmd执行环境;
• 使用方式不同：pip源安装需要在使用时import相应包，并手动创建sc和spark入口变量;而spark tar包解压进入shell时，会提供已创建好的sc和spark入口变量，更为方便。

总体来看，两种方式各有利弊，如果是进行正式的开发和数据处理流程，个人倾向于选择进入第一种pyspark环境;而对于简单的功能测试，则会优先使用pyspark.cmd环境。

02 三大数据分析工具灵活切换

在日常工作中，我们常常会使用多种工具来实现不同的数据分析需求，比如个人用的最多的还是SQL、Pandas和Spark3大工具，无非就是喜欢SQL的语法简洁易用、Pandas的API丰富多样以及Spark的分布式大数据处理能力，但同时不幸的是这几个工具也都有各自的弱点，比如SQL仅能用于处理一些简单的需求，复杂的逻辑实现不太可能;Pandas只能单机运行、大数据处理乏力;Spark接口又相对比较有限，且有些算子写法会比较复杂。

懒惰是人类进步的阶梯，这个道理在数据处理工具的选择上也有所体现。

希望能在多种工具间灵活切换、自由组合选用，自然是最朴(偷)素(懒)的想法，所幸pyspark刚好能够满足这一需求!以SQL中的数据表、pandas中的DataFrame和spark中的DataFrame三种数据结构为对象，依赖如下几个接口可实现数据在3种工具间的任意切换：

• spark.createDataFrame() # 实现从pd.DataFrame -> spark.DataFrame
• df.toPandas() # 实现从spark.DataFrame -> pd.DataFrame
• df.createOrReplaceTempView() # 实现从spark.DataFrame注册为一个临时SQL表
• spark.sql() # 实现从注册临时表查询得到spark.DataFrame

当然，pandas自然也可以通过pd.read_sql和df.to_sql实现pandas与数据库表的序列化与反序列化，但这里主要是指在内存中的数据结构的任意切换。

举个小例子：

1)spark创建一个DataFrame

2)spark.DataFrame转换为pd.DataFrame

3)pd.DataFrame转换为spark.DataFrame

4)spark.DataFrame注册临时数据表并执行SQL查询语句

畅想一下，可以在三种数据分析工具间任意切换使用了，比如在大数据阶段用Spark，在数据过滤后再用Pandas的丰富API，偶尔再来几句SQL!然而，理想很丰满现实则未然：期间踩坑之深之广，冷暖自知啊……