gpt4 book ai didi

scala - Spark DataFrame/DataSet 分页或一次迭代 N 行的 block

转载 作者:行者123 更新时间:2023-12-05 08:53:49 27 4
gpt4 key购买 nike

我需要为我的数据集(在 spark scala 中)实现分页。

如果 spark 数据集中有 100 条记录,那么我需要将其分成 20 个批处理,每批处理包含 5 个元素。

请问如何将 spark 数据集/数据帧拆分为 N 行?

--NS

最佳答案

不确定是否有更好的方法,但您可以尝试:将数据帧转换为 rdd,使用 zipWithIndex,过滤,然后再次转换为数据帧。

例如,假设您的数据框由

给出
scala> val df=sc.parallelize(1 to 100).toDF("value")
df: org.apache.spark.sql.DataFrame = [value: int]

scala> df.show()
+-----+
|value|
+-----+
| 1|
| 2|
| 3|
| 4|
| 5|
| 6|
| 7|
| 8|
| 9|
| 10|
| 11|
| 12|
| 13|
| 14|
| 15|
| 16|
| 17|
| 18|
| 19|
| 20|
+-----+
only showing top 20 rows

转换为带索引的rdd和zip如下:val dfRDD=df.rdd.zipWithIndex

scala> val dfRDD=df.rdd.zipWithIndex
dfRDD: org.apache.spark.rdd.RDD[(org.apache.spark.sql.Row, Long)] = ZippedWithIndexRDD[81] at zipWithIndex at <console>:69

对于包含第 1 行到第 5 行的第一个数据框,按如下方式过滤:

val firstDF=dfRDD.filter{case(datum,index)=>(0 to 4).contains(index)}.map(_._1)
scala> val firstDF=dfRDD.filter{case(datum,index)=>(0 to 4).contains(index)}.map(_._1)
firstDF: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[85] at map at <console>:71

最后转换为dataframe如下:sqlContext.createDataFrame(firstDF,df.schema)

scala> sqlContext.createDataFrame(firstDF,df.schema).show()
+-----+
|value|
+-----+
| 1|
| 2|
| 3|
| 4|
| 5|
+-----+

您必须对剩余的行 (5 到 9)(10 到 14) 等重复这些步骤。

编辑:为了让事情变得更快,我定义了一个方法

def splitDF(range:scala.collection.immutable.Range.Inclusive):org.apache.spark.sql.DataFrame={
val mySplitRDD=dfRDD.filter{case(datum,index)=>range.contains(index)}.map(_._1)
val mySplitDF=sqlContext.createDataFrame(mySplitRDD,df.schema)
mySplitDF
}

然后用一个map得到所有的splits,比如

val dataframes=List((0 to 4), (5 to 9),(10 to 14)).map(i=>splitDF(i))

scala> val dataframes=List((0 to 4), (5 to 9),(10 to 14)).map(i=>splitDF(i))
dataframes: List[org.apache.spark.sql.DataFrame] = List([value: int], [value: int], [value: int])

数据框 2:

scala> dataframes(1).show()
+-----+
|value|
+-----+
| 6|
| 7|
| 8|
| 9|
| 10|
+-----+

数据框 1:

scala> dataframes(0).show()
+-----+
|value|
+-----+
| 1|
| 2|
| 3|
| 4|
| 5|
+-----+

数据框 3:

scala> dataframes(2).show()
+-----+
|value|
+-----+
| 11|
| 12|
| 13|
| 14|
| 15|
+-----+

关于scala - Spark DataFrame/DataSet 分页或一次迭代 N 行的 block ,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/52615428/

27 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com