Apache Spark 中的 DataFrame 相等性
Posted
技术标签:
【中文标题】Apache Spark 中的 DataFrame 相等性【英文标题】:DataFrame equality in Apache Spark 【发布时间】:2015-09-20 17:41:48 【问题描述】:假设 df1
和 df2
是 Apache Spark 中的两个 DataFrame
s,使用两种不同的机制计算得出,例如 Spark SQL 与 Scala/Java/Python API。
是否有一种惯用的方法来确定两个数据帧是否等价(相等,同构),其中等价性取决于数据(每行的列名和列值)是否相同,除了行和列的排序?
提出这个问题的动机是,通常有很多方法可以计算一些大数据结果,每种方法都有自己的取舍。在探索这些权衡时,保持正确性很重要,因此需要在有意义的测试数据集上检查等价/相等性。
【问题讨论】:
【参考方案1】:Apache Spark 测试套件中有一些标准方法,但其中大多数涉及在本地收集数据,如果您想对大型 DataFrame 进行相等性测试,那么这可能不是一个合适的解决方案。
首先检查架构,然后您可以对 df3 进行交集并验证 df1、df2 和 df3 的计数是否全部相等(但是,这仅在没有重复行的情况下才有效,如果有不同的重复行方法仍然可以返回 true)。
另一种选择是获取两个 DataFrame 的底层 RDD,映射到 (Row, 1),执行 reduceByKey 来计算每个 Row 的数量,然后将两个生成的 RDD 组合在一起,然后进行常规聚合和如果任何迭代器不相等,则返回 false。
【讨论】:
使用测试套件是一个有趣的想法。收集数据可能是中小型数据集的一种选择。那里的标准工具是什么? 在重复行的情况下,如何附加一个额外的'count'列(当然通过计算functions.agg或通过SQL)然后得到相交为df3? 那么如何取两个数据集的联合,然后按所有列分组(当然使用序列)并计数,过滤计数%2。如果大于 0 则返回 false。联合比交叉快,如果列不同,将返回异常(纠正我,如果我错了) 我不认为这会更快,交叉点的缓慢部分是你也可以使用 groupBy 的随机播放。【参考方案2】:我不知道惯用语,但我认为您可以获得一种比较 DataFrames 的可靠方法,如下所述。 (我使用 PySpark 进行说明,但该方法可以跨语言使用。)
a = spark.range(5)
b = spark.range(5)
a_prime = a.groupBy(sorted(a.columns)).count()
b_prime = b.groupBy(sorted(b.columns)).count()
assert a_prime.subtract(b_prime).count() == b_prime.subtract(a_prime).count() == 0
这种方法可以正确处理 DataFrame 可能具有重复行、不同顺序的行和/或不同顺序的列的情况。
例如:
a = spark.createDataFrame([('nick', 30), ('bob', 40)], ['name', 'age'])
b = spark.createDataFrame([(40, 'bob'), (30, 'nick')], ['age', 'name'])
c = spark.createDataFrame([('nick', 30), ('bob', 40), ('nick', 30)], ['name', 'age'])
a_prime = a.groupBy(sorted(a.columns)).count()
b_prime = b.groupBy(sorted(b.columns)).count()
c_prime = c.groupBy(sorted(c.columns)).count()
assert a_prime.subtract(b_prime).count() == b_prime.subtract(a_prime).count() == 0
assert a_prime.subtract(c_prime).count() != 0
这种方法非常昂贵,但考虑到需要执行完整的差异,大部分费用是不可避免的。这应该可以很好地扩展,因为它不需要在本地收集任何东西。如果您放宽比较应该考虑重复行的约束,那么您可以删除groupBy()
,而只执行subtract()
,这可能会显着加快速度。
【讨论】:
请注意,这不适用于任何不可排序的数据类型,例如地图,在这种情况下,您可能必须删除这些列并单独执行。 我猜 count 是在里面和 agg() 方法,否则 a_prime、b_prime 和 c_prime 是数字而不是数据帧 @dhalfageme - 不,.count()
在GroupedData
对象上——这是.groupBy()
返回的——产生一个DataFrame。试试看:spark.range(3).groupBy('id').count().show()
【参考方案3】:
Scala(PySpark 见下文)
spark-fast-tests 库有两种进行 DataFrame 比较的方法(我是该库的创建者):
assertSmallDataFrameEquality
方法收集驱动节点上的DataFrame并进行比较
def assertSmallDataFrameEquality(actualDF: DataFrame, expectedDF: DataFrame): Unit =
if (!actualDF.schema.equals(expectedDF.schema))
throw new DataFrameSchemaMismatch(schemaMismatchMessage(actualDF, expectedDF))
if (!actualDF.collect().sameElements(expectedDF.collect()))
throw new DataFrameContentMismatch(contentMismatchMessage(actualDF, expectedDF))
assertLargeDataFrameEquality
方法比较分布在多台机器上的DataFrames(代码基本是从spark-testing-base复制过来的)
def assertLargeDataFrameEquality(actualDF: DataFrame, expectedDF: DataFrame): Unit =
if (!actualDF.schema.equals(expectedDF.schema))
throw new DataFrameSchemaMismatch(schemaMismatchMessage(actualDF, expectedDF))
try
actualDF.rdd.cache
expectedDF.rdd.cache
val actualCount = actualDF.rdd.count
val expectedCount = expectedDF.rdd.count
if (actualCount != expectedCount)
throw new DataFrameContentMismatch(countMismatchMessage(actualCount, expectedCount))
val expectedIndexValue = zipWithIndex(actualDF.rdd)
val resultIndexValue = zipWithIndex(expectedDF.rdd)
val unequalRDD = expectedIndexValue
.join(resultIndexValue)
.filter
case (idx, (r1, r2)) =>
!(r1.equals(r2) || RowComparer.areRowsEqual(r1, r2, 0.0))
val maxUnequalRowsToShow = 10
assertEmpty(unequalRDD.take(maxUnequalRowsToShow))
finally
actualDF.rdd.unpersist()
expectedDF.rdd.unpersist()
assertSmallDataFrameEquality
对于小型 DataFrame 比较更快,我发现它对于我的测试套件来说已经足够了。
PySpark
这是一个简单的函数,如果 DataFrame 相等则返回 true:
def are_dfs_equal(df1, df2):
if df1.schema != df2.schema:
return False
if df1.collect() != df2.collect():
return False
return True
您通常会在测试套件中执行 DataFrame 相等性比较,并且在比较失败时需要描述性错误消息(True
/ False
返回值在调试时没有多大帮助)。
使用chispa 库访问assert_df_equality
方法,该方法返回测试套件工作流的描述性错误消息。
【讨论】:
看起来不错的图书馆! @Powers,你知道 pySpark 而不是 Scala 的类似库吗? @jgtrz - 我开始构建 PySpark 版本的 spark-fast-tests,称为 chispa:github.com/MrPowers/chispa。需要完成它! 对于我们这些在这里偶然发现并实施 collect 的人,请与!actualDF.collect().sameElements(expectedDF.collect())
进行比较。请注意下面的帖子并警惕sameElements()
***.com/questions/29008500/…的可笑性
对于 Pyspark 人员:提供的功能考虑了排序。如果您只关心内容,请将第二个条件替换为:if df1.orderBy(*df1.columns).collect() !=df2.orderBy(*df2.columns).collect():
【参考方案4】:
您可以结合使用一点重复数据删除和完全外连接来完成此操作。这种方法的优点是它不需要您将结果收集到驱动程序,并且可以避免运行多个作业。
import org.apache.spark.sql._
import org.apache.spark.sql.functions._
// Generate some random data.
def random(n: Int, s: Long) =
spark.range(n).select(
(rand(s) * 10000).cast("int").as("a"),
(rand(s + 5) * 1000).cast("int").as("b"))
val df1 = random(10000000, 34)
val df2 = random(10000000, 17)
// Move all the keys into a struct (to make handling nulls easy), deduplicate the given dataset
// and count the rows per key.
def dedup(df: Dataset[Row]): Dataset[Row] =
df.select(struct(df.columns.map(col): _*).as("key"))
.groupBy($"key")
.agg(count(lit(1)).as("row_count"))
// Deduplicate the inputs and join them using a full outer join. The result can contain
// the following things:
// 1. Both keys are not null (and thus equal), and the row counts are the same. The dataset
// is the same for the given key.
// 2. Both keys are not null (and thus equal), and the row counts are not the same. The dataset
// contains the same keys.
// 3. Only the right key is not null.
// 4. Only the left key is not null.
val joined = dedup(df1).as("l").join(dedup(df2).as("r"), $"l.key" === $"r.key", "full")
// Summarize the differences.
val summary = joined.select(
count(when($"l.key".isNotNull && $"r.key".isNotNull && $"r.row_count" === $"l.row_count", 1)).as("left_right_same_rc"),
count(when($"l.key".isNotNull && $"r.key".isNotNull && $"r.row_count" =!= $"l.row_count", 1)).as("left_right_different_rc"),
count(when($"l.key".isNotNull && $"r.key".isNull, 1)).as("left_only"),
count(when($"l.key".isNull && $"r.key".isNotNull, 1)).as("right_only"))
summary.show()
【讨论】:
【参考方案5】:Java:
assert resultDs.union(answerDs).distinct().count() == resultDs.intersect(answerDs).count();
【讨论】:
有趣的解决方案,但我相信这不能正确处理重复行。例如(在 Python 中):a = spark.createDataFrame([(1,), (1,)], schema='id int'); b = spark.createDataFrame([(1,)], schema='id int'); assert a.union(b).distinct().count() == a.intersect(b).count();
assert
在应该失败的地方成功。
try return ds1.union(ds2) .groupBy(columns(ds1, ds1.columns())) .count() .filter("count % 2 > 0") .count() == 0; catch (Exception e) return false; where columns 方法返回 Seq尝试执行以下操作:
df1.except(df2).isEmpty
【讨论】:
这在df2
大于df1
的情况下不起作用。也许如果你通过添加 && df2.except(df1).isEmpty
... 使其对称
即使你用每种方式比较它仍然不正确,因为 df2 中的重复行与 df1 中的一行匹配,反之亦然。【参考方案7】:
try
return ds1.union(ds2)
.groupBy(columns(ds1, ds1.columns()))
.count()
.filter("count % 2 > 0")
.count()
== 0;
catch (Exception e)
return false;
Column[] columns(Dataset<Row> ds, String... columnNames)
List<Column> l = new ArrayList<>();
for (String cn : columnNames)
l.add(ds.col(cn));
return l.stream().toArray(Column[]::new);
columns 方法是补充,可以替换为任何返回 Seq 的方法
逻辑:
-
合并两个数据集,如果列不匹配,则会抛出异常并因此返回 false。
如果列匹配,则对所有列进行 groupBy 并添加列计数。现在,所有行的计数都是 2 的倍数(即使是重复行)。
检查是否有任何行的计数不能被 2 整除,这些是多余的行。
【讨论】:
有人可以确认这个联合解决方案与上面提供的连接解决方案相比是否具有更好的性能? (而且它也适用于重复的行) 不幸的是,这不正确,如果其中一个数据集的不同行重复了两次,您将得到误报。【参考方案8】:一种可扩展且简单的方法是区分两个DataFrame
s 并计算不匹配的行数:
df1.diff(df2).where($"diff" != "N").count
如果该数字不为零,则两个 DataFrame
s 不相等。
diff
转换由spark-extension 提供。
它识别I插入、C挂起、D删除和uN更改的行。 p>
【讨论】:
这是否比上面使用 collect() 的 PySpark 解决方案更具可扩展性?特别是如果您不需要差异列表? 如果您的意思是df1.collect() != df2.collect()
PySpark 解决方案,这根本不可扩展。两个 DataFrame 都加载到驱动程序的内存中。上面的diff
转换随集群扩展,这意味着如果您的集群可以处理 DataFrame,它就可以处理差异。所以答案是:是的。【参考方案9】:
根据您是否有重复行,有 4 个选项。
假设我们有两个DataFrame
s,z1 和 z1。选项 1/2 适用于 没有 重复的行。你可以在spark-shell
试试这些。
import org.apache.spark.sql.DataFrame
import org.apache.spark.sql.Column
def isEqual(left: DataFrame, right: DataFrame): Boolean =
if(left.columns.length != right.columns.length) return false // column lengths don't match
if(left.count != right.count) return false // record count don't match
return left.except(right).isEmpty && right.except(left).isEmpty
选项 2:按列生成行哈希
def createHashColumn(df: DataFrame) : Column =
val colArr = df.columns
md5(concat_ws("", (colArr.map(col(_))) : _*))
val z1SigDF = z1.select(col("index"), createHashColumn(z1).as("signature_z1"))
val z2SigDF = z2.select(col("index"), createHashColumn(z2).as("signature_z2"))
val joinDF = z1SigDF.join(z2SigDF, z1SigDF("index") === z2SigDF("index")).where($"signature_z1" =!= $"signature_z2").cache
// should be 0
joinDF.count
选项 3:使用 GroupBy
(对于具有重复行的 DataFrame)
val z1Grouped = z1.groupBy(z1.columns.map(c => z1(c)).toSeq : _*).count().withColumnRenamed("count", "recordRepeatCount")
val z2Grouped = z2.groupBy(z2.columns.map(c => z2(c)).toSeq : _*).count().withColumnRenamed("count", "recordRepeatCount")
val inZ1NotInZ2 = z1Grouped.except(z2Grouped).toDF()
val inZ2NotInZ1 = z2Grouped.except(z1Grouped).toDF()
// both should be size 0
inZ1NotInZ2.show
inZ2NotInZ1.show
选项 4,使用 exceptAll
,它也适用于具有重复行的数据
// Source Code: https://github.com/apache/spark/blob/50538600ec/sql/core/src/main/scala/org/apache/spark/sql/Dataset.scala#L2029
val inZ1NotInZ2 = z1.exceptAll(z2).toDF()
val inZ2NotInZ1 = z2.exceptAll(z1).toDF()
// same here, // both should be size 0
inZ1NotInZ2.show
inZ2NotInZ1.show
【讨论】:
Re:选项 2,concat
不适用于所有列类型,md5
可能在大数据上发生冲突。很好地添加了带有 exceptAll
的选项 4,它仅在 2.4.0 中添加。以上是关于Apache Spark 中的 DataFrame 相等性的主要内容,如果未能解决你的问题,请参考以下文章
JavaPairRDD 到 Apache Spark 中的 DataFrame 与 java
Apache Spark:如何使用 Java 在 dataFrame 中的空值列中插入数据