在 spark sql 中使用 LIMIT 描述

Question

我正在使用DESCRIBE 关键字来获取有关临时视图的列信息。这是一种有用的方法，但是我有一个表，我只想描述列的子集。我正在尝试将LIMIT 与DESCRIBE 结合使用来实现此目的，但无法弄清楚。

这是一个玩具数据集（使用 pyspark 创建）：

# make some test data
columns = ['id', 'dogs', 'cats', 'horses', 'people']
vals = [
     (1, 2, 0, 4, 3),
     (2, 0, 1, 2, 4)
]

# create DataFrame
df = spark.createDataFrame(vals, columns)
df.createOrReplaceTempView('df')

现在用sql描述：

%%sql

DESCRIBE df

输出：

col_name    data_type
id          bigint
dogs        bigint
cats        bigint
horses      bigint
people      bigint

实际上，我有比这更多的列，我想做的是LIMIT 这个查询的输出。以下是我尝试过的几件事：

尝试 #1：

DESCRIBE df
LIMIT 3

错误：

An error was encountered:
"\nextraneous input '3' expecting {<EOF>, '.'}(line 3, pos 6)\n\n== SQL ==\n\nDESCRIBE df\nLIMIT 3 \n------^^^\n"
Traceback (most recent call last):
  File "/usr/lib/spark/python/lib/pyspark.zip/pyspark/sql/session.py", line 603, in sql
    return DataFrame(self._jsparkSession.sql(sqlQuery), self._wrapped)
  File "/usr/lib/spark/python/lib/py4j-0.10.4-src.zip/py4j/java_gateway.py", line 1133, in __call__
    answer, self.gateway_client, self.target_id, self.name)
  File "/usr/lib/spark/python/lib/pyspark.zip/pyspark/sql/utils.py", line 73, in deco
    raise ParseException(s.split(': ', 1)[1], stackTrace)
pyspark.sql.utils.ParseException: "\nextraneous input '3' expecting {<EOF>, '.'}(line 3, pos 6)\n\n== SQL ==\n\nDESCRIBE df\nLIMIT 3 \n------^^^\n"

尝试 #2：

SELECT a.*
FROM (
    DESCRIBE df
) AS a
LIMIT 3

错误：

An error was encountered:
'Table or view not found: DESCRIBE; line 4 pos 4'
Traceback (most recent call last):
  File "/usr/lib/spark/python/lib/pyspark.zip/pyspark/sql/session.py", line 603, in sql
    return DataFrame(self._jsparkSession.sql(sqlQuery), self._wrapped)
  File "/usr/lib/spark/python/lib/py4j-0.10.4-src.zip/py4j/java_gateway.py", line 1133, in __call__
    answer, self.gateway_client, self.target_id, self.name)
  File "/usr/lib/spark/python/lib/pyspark.zip/pyspark/sql/utils.py", line 69, in deco
    raise AnalysisException(s.split(': ', 1)[1], stackTrace)
pyspark.sql.utils.AnalysisException: 'Table or view not found: DESCRIBE; line 4 pos 4'

有谁知道是否可以限制 describe 的输出？

Answer 1

这是一种使用pyspark.sql.dataframe.limit() 限制DESCRIBE 输出的方法。使用 pyspark.sql.context.sql() 运行 DESCRIBE 查询。这会将结果作为 DataFrame 返回，您可以调用 limit():

df.registerTempTable('df')
spark.sql('DESCRIBE df').limit(3).show()
#+--------+---------+-------+
#|col_name|data_type|comment|
#+--------+---------+-------+
#|      id|   bigint|   null|
#|    dogs|   bigint|   null|
#|    cats|   bigint|   null|
#+--------+---------+-------+

但是，如果您只是查找列的数据类型，则可以使用 DataFrame 的 dtypes 属性：

df.dtypes
#[('id', 'bigint'),
# ('dogs', 'bigint'),
# ('cats', 'bigint'),
# ('horses', 'bigint'),
# ('people', 'bigint')]

这是一个元组列表，可以根据需要进行切片：

df.dtypes[0:3]
#[('id', 'bigint'), ('dogs', 'bigint'), ('cats', 'bigint')]

DataFrames 还有一个describe() 方法返回摘要统计信息：

df.describe().show()
#+-------+------------------+------------------+------------------+------------------+------------------+
#|summary|                id|              dogs|              cats|            horses|            people|
#+-------+------------------+------------------+------------------+------------------+------------------+
#|  count|                 2|                 2|                 2|                 2|                 2|
#|   mean|               1.5|               1.0|               0.5|               3.0|               3.5|
#| stddev|0.7071067811865476|1.4142135623730951|0.7071067811865476|1.4142135623730951|0.7071067811865476|
#|    min|                 1|                 0|                 0|                 2|                 3|
#|    max|                 2|                 2|                 1|                 4|                 4|
#+-------+------------------+------------------+------------------+------------------+------------------+

如果要限制列，可以使用select() 并指定df.columns 的切片：

df.select(df.columns[0:3]).describe().show()
#+-------+------------------+------------------+------------------+
#|summary|                id|              dogs|              cats|
#+-------+------------------+------------------+------------------+
#|  count|                 2|                 2|                 2|
#|   mean|               1.5|               1.0|               0.5|
#| stddev|0.7071067811865476|1.4142135623730951|0.7071067811865476|
#|    min|                 1|                 0|                 0|
#|    max|                 2|                 2|                 1|
#+-------+------------------+------------------+------------------+