scala - 如何将数据框拆分为具有相同列值的数据框？

Question

使用Scala，如何将dataFrame拆分为具有相同列值的多个dataFrame（数组或集合）。
例如，我想拆分以下DataFrame：

ID  Rate    State
1   24  AL
2   35  MN
3   46  FL
4   34  AL
5   78  MN
6   99  FL

至：

数据集1

ID  Rate    State
1   24  AL  
4   34  AL

数据集2

ID  Rate    State
2   35  MN
5   78  MN

数据集3

ID  Rate    State
3   46  FL
6   99  FL

Answer 1

您可以收集唯一的状态值，并只需映射到结果数组即可：

val states = df.select("State").distinct.collect.flatMap(_.toSeq)
val byStateArray = states.map(state => df.where($"State" <=> state))

或映射：

val byStateMap = states
    .map(state => (state -> df.where($"State" <=> state)))
    .toMap

Python中的相同之处：

from itertools import chain
from pyspark.sql.functions import col

states = chain(*df.select("state").distinct().collect())

# PySpark 2.3 and later
# In 2.2 and before col("state") == state) 
# should give the same outcome, ignoring NULLs 
# if NULLs are important 
# (lit(state).isNull() & col("state").isNull()) | (col("state") == state)
df_by_state = {state: 
  df.where(col("state").eqNullSafe(state)) for state in states}

这里明显的问题是，它需要对每个级别进行完整的数据扫描，因此这是一项昂贵的操作。如果您正在寻找一种仅分割输出的方法，请参见 How do I split an RDD into two or more RDDs?

特别是，您可以编写按感兴趣的列划分的 Dataset：

val path: String = ???
df.write.partitionBy("State").parquet(path)

并在需要时回读：

// Depend on partition prunning
for { state <- states } yield spark.read.parquet(path).where($"State" === state)

// or explicitly read the partition
for { state <- states } yield spark.read.parquet(s"$path/State=$state")

根据数据的大小，输入的拆分级别，存储级别和持久性级别，它可能比多个过滤器更快或更慢。