apache-spark - 在大型记录上，Spark StringIndexer.fit非常慢

Question

我有格式化为以下示例的大数据记录:

// +---+------+------+
// |cid|itemId|bought|
// +---+------+------+
// |abc|   123|  true|
// |abc|   345|  true|
// |abc|   567|  true|
// |def|   123|  true|
// |def|   345|  true|
// |def|   567|  true|
// |def|   789| false|
// +---+------+------+

cid和 itemId是字符串。

有965,964,223条记录。

我正在尝试使用 cid将 StringIndexer转换为整数，如下所示:

dataset.repartition(50)
val cidIndexer = new StringIndexer().setInputCol("cid").setOutputCol("cidIndex")
val cidIndexedMatrix = cidIndexer.fit(dataset).transform(dataset)

但是这些代码行非常慢(大约需要30分钟)。问题在于它是如此之大，以至于我在那之后再也无能为力了。

我正在使用具有2个节点(61 GB内存)的R4 2XLarge集群的Amazon EMR集群。

有什么可以做得更好的性能改进吗？任何帮助都感激不尽。

Answer 1

如果列的基数很高，则这是预期的行为。作为训练过程的一部分，StringIndexer收集所有标签，并创建标签-索引映射(使用Spark的o.a.s.util.collection.OpenHashMap)。

在最坏的情况下，此过程需要O(N)内存，并且在计算和内存上都很耗时。

如果列的基数很高，并且其内容将用作功能，则最好应用 FeatureHasher (Spark 2.3或更高版本)。

import org.apache.spark.ml.feature.FeatureHasher

val hasher = new FeatureHasher()
  .setInputCols("cid")
  .setOutputCols("cid_hash_vec")
hasher.transform(dataset)

它不能保证唯一性，并且不可逆，但是对于许多应用程序来说已经足够好了，并且不需要调整过程。

对于不会用作功能的列，您还可以使用 hash函数:

import org.apache.spark.sql.functions.hash

dataset.withColumn("cid_hash", hash($"cid"))