apache-spark - 如何在 Apache Spark 上进行非随机数据集拆分？

Question

我知道我可以使用 randomSplit 方法进行随机拆分:

val splittedData: Array[Dataset[Row]] = 
        preparedData.randomSplit(Array(0.5, 0.3, 0.2))

我可以使用一些“nonRandomSplit 方法”将数据拆分成连续的部分吗？

Apache Spark 2.0.1。
提前致谢。

UPD:数据顺序很重要，我将在具有“较小 ID”的数据上训练我的模型，并在具有“较大 ID”的数据上对其进行测试。所以我想将数据拆分成连续的部分而不进行混洗。

例如

my dataset = (0,1,2,3,4,5,6,7,8,9)
desired splitting = (0.8, 0.2)
splitting = (0,1,2,3,4,5,6,7), (8,9)

我能想到的唯一解决方案是使用 计数 和 限制 ，但可能有更好的。

Answer 1

这是我实现的解决方案:Dataset -> Rdd -> Dataset。

我不确定这是否是最有效的方法，所以我很乐意接受更好的解决方案。

val count = allData.count()
val trainRatio = 0.6  
val trainSize = math.round(count * trainRatio).toInt
val dataSchema = allData.schema

// Zipping with indices and skipping rows with indices > trainSize.
// Could have possibly used .limit(n) here
val trainingRdd =
  allData
    .rdd
    .zipWithIndex()
    .filter { case (_, index) => index < trainSize }
    .map { case (row, _) => row }

// Can't use .limit() :(
val testRdd =
allData
  .rdd
  .zipWithIndex()
  .filter { case (_, index) => index >= trainSize }
  .map { case (row, _) => row }

val training = MySession.createDataFrame(trainingRdd, dataSchema)
val test = MySession.createDataFrame(testRdd, dataSchema)