R で DataFrames とテーブルを操作す る

この記事では、 SparkR、 sparklyr、 dplyr などの R パッケージを使用して、R data.frame、 Spark DataFrames、およびメモリ内テーブルを操作する方法について説明します。

SparkR、sparklyr、dplyr を操作すると、これらすべてのパッケージで特定の操作を完了でき、最も使いやすいパッケージを使用できる場合があります。 たとえば、クエリーを実行するには、 SparkR::sql、 sparklyr::sdf_sql、 dplyr::selectなどの関数を呼び出します。 また、これらのパッケージの 1 つまたは 2 つだけで操作を完了できる場合もあり、選択する操作は使用シナリオによって異なります。 たとえば、 sparklyr::sdf_quantile を呼び出す方法は、両方の関数が分位数を計算する場合でも、 dplyr::percentile_approxを呼び出す方法とは少し異なります。

SQL を SparkR と sparklyr の間のブリッジとして使用できます。 たとえば、 SparkR::sql を使用して、sparklyr で作成したテーブルをクエリーできます。 sparklyr::sdf_sql を使用して、SparkR で作成したテーブルをクエリーできます。また dplyr コードは実行前に常にメモリ内のSQLに変換されます。 API の相互運用性 と SQL 変換も参照してください。

SparkR、sparklyr、dplyr をロードする

SparkR、sparklyr、dplyr の各パッケージは、Databricks クラスターにインストールされている Databricks Runtime に含まれています。 したがって、これらのパッケージの呼び出しを開始する前に、通常の install.package を呼び出す必要はありません。 ただし、これらのパッケージを最初に library で読み込む必要があります。 たとえば、Databricks ワークスペースの R ノートブック内から、 ノートブック セルで次のコードを実行して、SparkR、sparklyr、dplyr を読み込みます。

library(SparkR)
library(sparklyr)
library(dplyr)

スパークラーをクラスター に接続する

sparklyr を読み込んだ後、 databricks 接続方法を指定して、 sparklyr::spark_connect を呼び出してクラスターに接続する必要があります。たとえば、ノートブック セルで次のコードを実行して、ノートブックをホストするクラスターに接続します。

sc <- spark_connect(method = "databricks")

これに対し、Databricks ノートブックでは、SparkR で使用するためのクラスター上に SparkSession が既に確立されているため、SparkR の呼び出しを開始する前に SparkR::sparkR.session を呼び出す必要はありません。

JSON データファイルをワークスペース にアップロードする

この記事のコード例の多くは、Databricks ワークスペース内の特定の場所にある、特定の列名とデータ型のデータに基づいています。 このコード例のデータは、GitHub 内の book.json という名前の JSON ファイルに由来します。 このファイルを取得してワークスペースにアップロードするには:

  1. 本に行きます。 JSON ファイルを GitHub に保存し、テキスト エディターを使用して、その内容をローカル マシン上のどこかにある books.json という名前のファイルにコピーします。

  2. Databricks ワークスペースのサイドバーで、[ カタログ] をクリックします。

  3. [ テーブルの作成] をクリックします。

  4. [ファイルのアップロード] タブで、 books.json ファイルをローカル コンピューターから [アップロードするファイルの ドロップ] ボックスにドロップします。または、[ クリックして参照] を選択し、ローカル コンピューターから books.json ファイルを参照します。

既定により、Databricks はローカル books.json ファイルをワークスペース内の DBFS の場所にパス /FileStore/tables/books.jsonでアップロードします。

[ UI を使用して テーブルを作成] または [ノートブックにテーブルを作成] をクリックしないでください。 この記事のコード例では、この DBFS の場所にアップロードされた books.json ファイルのデータを使用します。

JSON データを DataFrame に読み込む

sparklyr::spark_read_json を使用して、アップロードされた JSON ファイルを DataFrameに読み込み、接続、JSON ファイルへのパス、およびデータの内部テーブル表現の名前を指定します。 この例では、 book.json ファイルに複数行が含まれるように指定する必要があります。 ここでの列のスキーマの指定はオプションです。 それ以外の場合、sparklyr は default によって列のスキーマを推論します。 たとえば、ノートブックのセルで次のコードを実行して、アップロードされた JSON ファイルのデータを jsonDF という名前の DataFrame に読み込みます。

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"
  )
)

SQL クエリーを実行し、テーブルへの書き込みとテーブル からの読み取りを行う

dplyr 関数を使用して、 DataFrameで SQL クエリーを実行できます。 たとえば、ノートブックのセルで次のコードを実行して、 dplyr::group_by と dployr::count を使用して、 jsonDFという名前の DataFrame から作成者別のカウントを取得します。 dplyr::arrange と dplyr::desc を使用して、結果をカウントの降順に並べ替えます。次に、デフォルトで最初の10行を印刷します。

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

その後、 sparklyr::spark_write_table を使用して、Databricks のテーブルに結果を書き込むことができます。 たとえば、ノートブックのセルで次のコードを実行してクエリーを再実行し、結果を json_books_aggという名前のテーブルに書き込みます。

group_by(jsonDF, author) %>%
  count() %>%
  arrange(desc(n)) %>%
  spark_write_table(
    name = "json_books_agg",
    mode = "overwrite"
  )

テーブルが作成されたことを確認するには、 sparklyr::sdf_sql を SparkR::showDF と共に使用して、テーブルのデータを表示します。 たとえば、ノートブックのセルで次のコードを実行してテーブルを DataFrame にクエリーし、 sparklyr::collect を使用して DataFrame の最初の 10 行を デフォルト で出力します。

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

sparklyr::spark_read_table を使用して同様のことを行うこともできます。たとえば、ノートブックのセルで次のコードを実行して、 jsonDF という名前の前の DataFrame を DataFrame にクエリし、 sparklyr::collect を使用して DataFrame の最初の 10 行を デフォルト によって印刷します。

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

DataFrame に列とコンピュートの列値を追加する

dplyr 関数を使用して、 DataFrames およびコンピュートカラムの値にカラムを追加できます。

たとえば、ノートブックのセルで次のコードを実行して、 jsonDF という名前の DataFrame の内容を取得します。 dplyr::mutate を使用して todayという名前の列を追加し、この新しい列に現在のタイムスタンプを入力します。次に、これらの内容を withDate という名前の新しい DataFrame に書き込み、 dplyr::collect を使用して新しい DataFrameの最初の10行をデフォルトで印刷します。

注

dplyr::mutate Hive の組み込み関数 (UDF とも呼ばれます) と組み込み集計関数 (UDAF とも呼ばれます) に準拠する引数のみを受け入れます。 一般的な情報については、「 Hive 関数」を参照してください。 このセクションの日付関連の関数に関する情報については、「 日付関数」を参照してください。

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 ¹​imageLink, ²​language
# ℹ Use `print(n = ...)` to see more rows

次に、 dplyr::mutate を使用して、 withDate DataFrameの内容にさらに2つの列を追加します。 新しい month 列と year 列には、 today 列の月と年の数値が含まれます。 次に、これらの内容を withMMyyyyという名前の新しいデータフレームに書き込み、 dplyr::select を dplyr::collect と共に使用して、新しいデータフレームの最初の 10 行の author、 title、 month 、および year 列を次のように出力します。

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

次に、 dplyr::mutate を使用して、 withMMyyyy DataFrameの内容にさらに2つの列を追加します。 新しい formatted_date 列には today 列の yyyy-MM-dd 部分が含まれ、新しい day 列には新しい formatted_date 列の数値日が含まれます。次に、これらの内容を withUnixTimestampという名前の新しいデータフレームに書き込み、 dplyr::select を dplyr::collect と共に使用して、新しいデータフレームの最初の 10 行の title、 formatted_date、および day 列を次のように出力します。

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

一時ビュー を作成する

既存の DataFramesに基づく名前付き一時ビューをメモリ内に作成できます。 たとえば、ノートブックのセルで次のコードを実行して、 SparkR::createOrReplaceTempView を使用して jsonTable という名前の前の DataFrame の内容を取得し、 timestampTableという名前の一時的なビューを作成します。 次に、 sparklyr::spark_read_table を使用して一時ビューの内容を読み取ります。 デフォルトで一時テーブルの最初の 10 行を印刷するには、 sparklyr::collect を使用します。

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 ¹​imageLink, ²​language
# ℹ Use `print(n = ...)` to see more rows, and `colnames()` to see all variable names

DataFrame の統計分析を実行する

統計分析には、dplyrと一緒にスパークラーを使用できます。

たとえば、統計を実行する DataFrame を作成します。 これを行うには、ノートブック セルで次のコードを実行し、 sparklyr::sdf_copy_to を使用して、R に組み込まれている iris データセットの内容を irisという名前の DataFrame に書き込みます。 デフォルトで一時テーブルの最初の 10 行を印刷するには、 sparklyr::sdf_collect を使用します。

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

次に、 dplyr::group_by を使用して、 Species 列で行をグループ化します。 dplyr::summarize を dplyr::percentile_approx と共に使用して、 Sepal_Length 列の 25 番目、50 番目、75 番目、および 100 番目の分位数による要約統計量を Species単位で計算します。sparklyr::collect を使用して結果を印刷します。

注

dplyr::summarize Hive の組み込み関数 (UDF とも呼ばれます) と組み込み集計関数 (UDAF とも呼ばれます) に準拠する引数のみを受け入れます。 一般的な情報については、「 Hive 関数」を参照してください。 percentile_approxに関する情報については、 組み込み集計関数 (UDAF)を参照してください。

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

同様の結果は、たとえば、次の sparklyr::sdf_quantileを使用して計算できます。

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