按行索引拆分 Spark 数据帧

Posted 2023-04-15

【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？