注册/登录

如何从 Spark 的 DataFrame 中取出具体某一行?

开发 前端 Spark
Spark 中 DataFrame 是 RDD 的扩展,限于其分布式与弹性内存特性,我们没法直接进行类似 df.iloc(r, c) 的操作来取出其某一行。

[[411938]]

如何从 Spark 的 DataFrame 中取出具体某一行?

根据阿里专家 Spark的DataFrame不是真正的DataFrame-秦续业的文章-知乎[1] 的文章:

  • DataFrame 应该有『保证顺序,行列对称』等规律
  • 因此「Spark DataFrame 和 Koalas 不是真正的 DataFrame」
  • 确实可以运行,但却看到一句话,大意是数据会被放到一个分区来执行,这正是因为数据本身之间并不保证顺序,因此只能把数据收集到一起,排序,再调用 shift。这样就不再是一个分布式的程序了,甚至比 pandas 本身更慢。

    我们可以明确一个前提: Spark 中 DataFrame 是 RDD 的扩展,限于其分布式与弹性内存特性,我们没法直接进行类似 df.iloc(r, c) 的操作来取出其某一行。

    但是现在我有个需求,分箱,具体来讲,需要『排序后遍历每一行及其邻居比如 i 与 i+j』,因此,我们必须能够获取数据的某一行!

    不知道有没有高手有好的方法?我只想到了以下几招!

    1/3排序后select再collect

    collect 是将 DataFrame 转换为数组放到内存中来。但是 Spark 处理的数据一般都很大,直接转为数组,会爆内存。

    因此不能直接 collect 。

    要处理哪一列,就直接 select('列名') 取出这一列就好,再 collect 。我的数据有 2e5 * 2e4 这么多,因此 select 后只剩一列大小为 2e5 * 1 ,还是可以 collect 的。

    这显然不是个好方法!因为无法处理真正的大数据,比如行很多时。

    2/3排序后加index然后用SQL查找

    给 DataFrame 实例 .sort("列名") 后,用 SQL 语句查找:

    1. select 列名 from df_table where 索引列名 = i 

    我对于 SQL 不是很了解,因此这个做法只是在构思阶段。

    此外,我不清楚 SQL 的性能!我要调用很多次 df.iloc[i, 列] ,那这样会不会太慢了?

    3/3排序后加index然后转置查找列名

    这个想法也只是停留在脑子里!因为会有些难度。

    给每一行加索引列,从0开始计数,然后把矩阵转置,新的列名就用索引列来做。

    之后再取第 i 个数,就 df(i.toString) 就行。

    这个方法似乎靠谱。

    附加方案:ml.feature.Bucketizer

    1. import org.apache.spark.ml.feature.{Bucketizer, QuantileDiscretizer} 

    spark中 Bucketizer 的作用和我实现的需求差不多(尽管细节不同),我猜测其中也应该有相似逻辑。有能力和精力了应该去读读源码,看看官方怎么实现的。

    [1]Spark的DataFrame不是真正的DataFrame-秦续业的文章-知乎:

    https://zhuanlan.zhihu.com/p/135329592

    责任编辑:姜华 Piper蛋窝
    点赞
    收藏