【SparkSQL 】扩展 ---- 数据清洗：缺失值处理-白红宇

【SparkSQL 】扩展 ---- 数据清洗：缺失值处理

阅读量：325 次

发布时间：2019-03-04

本文共 2012 字，大约阅读时间需要 6 分钟。

数据清洗：缺失值处理

缺失值在数据分析中是一个常见的问题，处理不当可能导致分析结果偏差。SparkSQL 提供了强大的数据处理框架，能够有效应对缺失值问题。本文将详细介绍缺失值的定义、产生类型以及处理方法。

一、缺失值的含义

缺失值是指数据中缺失的值，通常表示该值本身无意义或未能获取。常见的表示方式包括 null、空字符串（''）、NAN（Not a Number，非数值）等。在数据处理中，缺失值可能导致分析结果误差或计算异常。

举例说明

null：对象为空，表示缺失值。

NAN：表示数值数据中的无效值。

二、缺失值的产生

缺失值可能来自多个来源：

业务系统：数据生成过程中未能获取相关信息。

数据处理工具：其他工具在转换数据时未能处理特殊情况。

三、缺失值的类型

缺失值可按类型分类：

数据类型缺失：如 Integer 列中出现 null。

数值缺失：如 Double 列中出现 NAN。

字符串缺失：如 StringType 列中出现空值。

DataFrameNaFunctions 缺失值处理框架

在处理缺失值时，SparkSQL 提供了 DataFrameNaFunctions框架，支持两种主要方式：

丢弃：移除包含缺失值的记录。

替换：将缺失值替换为指定值。

DataFrameNaFunctions 的具体方法

drop：移除包含缺失值的行。
- df.na.drop("all")：仅移除全为 null 的记录。
- df.na.drop("any")：移除包含任意一列为 null 的记录。
- 列指定：如 df.na.drop("any", List("year", "month"))，仅移除 year 和 month 列中存在 null 的记录。

fill：替换缺失值。
- df.na.fill(0)：将所有缺失值替换为 0。
- df.na.fill(0, List("year", "month"))：仅替换 year 和 month 列的缺失值。

replace：按值替换缺失值。
- df.na.replace("PM_Dongsi", Map("NA" -> "NaN", "NULL" -> "null"))：替换特定字段的特定值。

NaN 、null 缺失值的处理

例子：PM 数据中包含 NaN 值的处理

读取数据

方式一：val ds = spark.read.option("header", true).option("inferSchema", true).csv("dataset/beijing_pm_nan.csv")

方式二：spark.read.option("header", true).csv().map(row -> row...)

方式三：val schema = StructType(...)，并指定数据类型。

丢弃 NaN 记录

df.na.drop("all")、df.na.drop("any") 或 df.na.drop("any", List("year", "month"))。

填充 NaN

df.na.fill(0)：默认填充。

df.na.fill(0, List("year", "month"))：指定列填充。

字符串缺失值的处理

例子：PM_Dongsi 列中的 NA 值处理

读取数据

val df = spark.read.option("header", true).option("inferSchema", true).csv("dataset/BeijingPM20100101_20151231.csv")

处理方法

丢弃：df.where('PM_Dongsi =!= "NA").show()

替换：

import org.apache.spark.sql.functions._df.select(  'No as "id", 'year, 'month, 'day, 'hour, 'season,  when('PM_Dongsi === "NA", Double.NaN)     .otherwise('PM_Dongsi cast DoubleType)     .as("pm")).show()

特殊值替换：

val data_NA = df.na.replace("PM_Dongsi", Map("NA" -> "NaN", "NULL" -> "null"))val type_trs = data_NA.select('No.as("id"), 'year, 'month, 'day, 'season, 'PM_Dongsi.cast(DoubleType))type_trs.na.fill(0).show()

通过以上方法，SparkSQL 提供了灵活的缺失值处理方案，确保数据质量和分析准确性。

转载地址：http://zzeq.baihongyu.com/

你可能感兴趣的文章

Python:如何使用 plotly 制作阴影区域或交替背景颜色?