入门:引入和插入额外数据
本入门文章将逐步讲解如何使用 Azure Databricks 笔记本将包含其他婴儿名称数据的 CSV 文件引入 Unity Catalog 卷,然后使用 Python、Scala 和 R 将新的婴儿名称数据导入到现有表中。
重要
本入门文章以“入门:从笔记本导入和可视化 CSV 数据”为基础。 必须完成本文中的步骤才能完成本文。 有关该入门文章的完整笔记本,请参阅导入和可视化数据笔记本。
要求
要完成本文中的任务,必须满足以下要求:
- 工作区必须已启用 Unity Catalog。 有关 Unity Catalog 的入门信息,请参阅设置和管理 Unity Catalog。
- 你必须有权使用现有计算资源或创建新的计算资源。 请参阅入门:帐户和工作区设置或咨询你的 Databricks 管理员。
提示
有关本文的完整笔记本,请参阅引入额外数据笔记本。
步骤 1:创建新笔记本
若要在工作区中创建笔记本,请单击边栏中的“ 新建”,然后单击“笔记本”。 将在工作区中打开一个空白笔记本。
若要了解有关创建和管理笔记本的详细信息,请参阅管理笔记本。
步骤 2:定义变量
在此步骤中,定义要在本文中创建的示例笔记本中使用的变量。
将以下代码复制并粘贴到新的空笔记本单元格中: 将
<catalog-name>
、<schema-name>
和<volume-name>
替换为 Unity 目录卷的目录、架构和卷名称。 请将<table_name>
替换为你选择的表名称。 本文稍后会将婴儿姓名数据保存到此表中。按
Shift+Enter
以运行单元格并创建新的空白单元格。Python
catalog = "<catalog_name>" schema = "<schema_name>" volume = "<volume_name>" file_name = "new_baby_names.csv" table_name = "baby_names" path_volume = "/Volumes/" + catalog + "/" + schema + "/" + volume path_table = catalog + "." + schema print(path_table) # Show the complete path print(path_volume) # Show the complete path
Scala
val catalog = "<catalog_name>" val schema = "<schema_name>" val volume = "<volume_name>" val fileName = "new_baby_names.csv" val tableName = "baby_names" val pathVolume = s"/Volumes/${catalog}/${schema}/${volume}" val pathTable = s"${catalog}.${schema}" print(pathVolume) // Show the complete path print(pathTable) // Show the complete path
R
catalog <- "<catalog_name>" schema <- "<schema_name>" volume <- "<volume_name>" file_name <- "new_baby_names.csv" table_name <- "baby_names" path_volume <- paste0("/Volumes/", catalog, "/", schema, "/", volume, sep = "") path_table <- paste0(catalog, ".", schema, sep = "") print(path_volume) # Show the complete path print(path_table) # Show the complete path
步骤 3:向 Unity Catalog 卷添加新的 CSV 数据文件
此步骤创建一个名为 df
且包含 2022 年新婴儿姓名的数据帧,然后将该数据保存到 Unity Catalog 卷中的新 CSV 文件中。
注意
此步骤模拟向已加载的往年现有数据添加新的年度数据。 在生产环境中,此增量数据将存储在云存储中。
将以下代码复制并粘贴到新的空笔记本单元格中: 此代码创建包含额外婴儿姓名数据的数据帧,然后将该数据写入 Unity Catalog 卷中的 CSV 文件。
Python
data = [[2022, "CARL", "Albany", "M", 42]] df = spark.createDataFrame(data, schema="Year int, First_Name STRING, County STRING, Sex STRING, Count int") # display(df) (df.coalesce(1) .write .option("header", "true") .mode("overwrite") .csv(f"{path_volume}/{file_name}"))
Scala
val data = Seq((2022, "CARL", "Albany", "M", 42)) val columns = Seq("Year", "First_Name", "County", "Sex", "Count") val df = data.toDF(columns: _*) // display(df) df.coalesce(1) .write .option("header", "true") .mode("overwrite") .csv(f"{pathVolume}/{fileName}")
R
# Load the SparkR package that is already preinstalled on the cluster. library(SparkR) data <- data.frame(Year = 2022, First_Name = "CARL", County = "Albany", Sex = "M", Count = 42) df <- createDataFrame(data) # display(df) write.df(df, path = paste0(path_volume, "/", file_name), source = "csv", mode = "overwrite", header = "true")
按
Shift+Enter
以运行单元格,然后移动到下一个单元格。
步骤 4:将数据从 CSV 文件加载到数据帧
注意
此步骤模拟从云存储加载数据。
将以下代码复制并粘贴到空的笔记本单元格中。 此代码将新的婴儿姓名数据从 CSV 文件加载到新的数据帧。
Python
df1 = spark.read.csv(f"{path_volume}/{file_name}", header=True, inferSchema=True, sep=",") display(df1)
Scala
val df1 = spark.read .option("header", "true") .option("inferSchema", "true") .option("delimiter", ",") .csv(s"$pathVolume/$fileName") display(df1)
R
df1 <- read.df(paste0(path_volume, "/", file_name), source = "csv", header = TRUE, inferSchema = TRUE) display(df1)
按
Shift+Enter
以运行单元格,然后移动到下一个单元格。
步骤 5:插入到现有表中
将以下代码复制并粘贴到空的笔记本单元格中。 此代码将数据帧中新的婴儿姓名数据追加到现有表中。
Python
df.write.mode("append").insertInto(f"{path_table}.{table_name}") display(spark.sql(f"SELECT * FROM {path_table}.{table_name} WHERE Year = 2022"))
Scala
df1.write.mode("append").insertInto(s"${pathTable}.${tableName}") display(spark.sql(s"SELECT * FROM ${pathTable}.${tableName} WHERE Year = 2022"))
R
# The write.df function in R, as provided by the SparkR package, does not directly support writing to Unity Catalog. # In this example, you write the DataFrame into a temporary view and then use the SQL command to insert data from the temporary view to the Unity Catalog table createOrReplaceTempView(df1, "temp_view") sql(paste0("INSERT INTO ", path_table, ".", table_name, " SELECT * FROM temp_view")) display(sql(paste0("SELECT * FROM ", path_table, ".", table_name, " WHERE Year = 2022")))
按
Ctrl+Enter
运行该单元格。
引入额外数据笔记本
使用以下笔记本之一执行本文中的步骤。
Python
使用 Python 引入和插入额外数据
Scala
使用 Scala 引入和插入额外数据
R
使用 R 引入和插入额外数据
后续步骤
若要了解清理和增强数据,请参阅入门:增强和清理数据。