按行索引拆分 Spark 数据帧
Posted
技术标签:
【中文标题】按行索引拆分 Spark 数据帧【英文标题】:Split Spark dataframe by row index 【发布时间】:2018-02-20 23:53:46 【问题描述】:我想按行顺序拆分数据框。如果有 100
行,则希望拆分为 4 个相等的数据帧应分别具有索引 0-24
、25-49
、50-74
和 75-99
。
唯一可用的预定义函数是randomSplit
。但是randomSplit
在拆分之前会随机化数据。
我想到的另一种方法是使用count
减少操作查找数据计数,然后使用take
继续提取数据,但这非常昂贵。
有没有其他方法可以在保持相同顺序的同时实现上述目标?
【问题讨论】:
类似:***.com/questions/48884960/… 【参考方案1】:您可以使用monotonically_increasing_id
获取行号(如果您还没有),然后在行号窗口中使用ntile
来拆分为您想要的任意多个分区:
from pyspark.sql.window import Window
from pyspark.sql.functions import monotonically_increasing_id, ntile
values = [(str(i),) for i in range(100)]
df = spark.createDataFrame(values, ('value',))
def split_by_row_index(df, num_partitions=4):
# Let's assume you don't have a row_id column that has the row order
t = df.withColumn('_row_id', monotonically_increasing_id())
# Using ntile() because monotonically_increasing_id is discontinuous across partitions
t = t.withColumn('_partition', ntile(num_partitions).over(Window.orderBy(t._row_id)))
return [t.filter(t._partition == i+1).drop('_row_id', '_partition') for i in range(partitions)]
[i.collect() for i in split_by_row_index(df)]
【讨论】:
我们如何为更大的df实现相同的?以上是关于按行索引拆分 Spark 数据帧的主要内容,如果未能解决你的问题,请参考以下文章