在 Spark DataFrame 中计算大于 0 的值的更快方法？

Posted 2023-04-15

【中文标题】在 Spark DataFrame 中计算大于 0 的值的更快方法？

【英文标题】：Faster way to count values greater than 0 in Spark DataFrame?

【发布时间】：2018-07-13 21:46:06

【问题描述】：

我有一个 Spark DataFrame，其中所有字段都是整数类型。我需要计算有多少单个单元格大于 0。

我在本地运行，有一个 DataFrame，有 17,000 行和 450 列。

我尝试了两种方法，都产生了缓慢的结果：

版本 1：

(for (c <- df.columns) yield df.where(s"$c > 0").count).sum

版本 2：

df.columns.map(c => df.filter(df(c) > 0).count)

此计算需要 80 秒的挂钟时间。使用 Python Pandas，只需几分之一秒。我知道对于小型数据集和本地操作，Python may perform better，但这似乎很极端。

尝试进行 Spark 到 Spark 的比较，我发现在相同的数据（转换为 RowMatrix）上运行 MLlib 的 PCA 算法只需不到 2 秒！

我应该使用更有效的实现吗？

如果不是，那看似复杂得多的 PCA 计算怎么会这么快？

【问题讨论】：

Why is Apache-Spark - Python so slow locally as compared to pandas?

你用你的数据试过给定的答案了吗？

【参考方案1】：

做什么

import org.apache.spark.sql.functions.col, count, when

df.select(df.columns map (c => count(when(col(c) > 0, 1)) as c): _*)

为什么

您的两次尝试都创建了与列数成比例的作业数。单独计算执行计划和调度作业的成本很高，并且会根据数据量增加大量开销。

此外，数据可能会在每次执行作业时从磁盘加载和/或解析，除非数据被完全缓存并具有显着的内存安全余量，以确保缓存的数据不会被驱逐。

这意味着在最坏的情况下，您使用的类似嵌套循环的结构在列数方面可能大致呈二次方。

上面显示的代码同时处理所有列，只需要一次数据扫描。

【讨论】：

虽然我选择了拉斐尔的答案，但这个解决方案也有效。两种方法都需要大约 2.5 秒挂钟

【参考方案2】：

您的方法的问题是扫描文件的每一列（除非您已将其缓存在内存中）。使用单个 FileScan 的最快方法应该是：

import org.apache.spark.sql.functions.explode,array

val cnt: Long = df
  .select(
    explode(
      array(df.columns.head,df.columns.tail:_*)
    ).as("cell")
  )
.where($"cell">0).count

我仍然认为它会比使用 Pandas 慢，因为 Spark 由于并行化引擎而具有一定的开销