python3.x—根据规则分割sparkDataframe的最有效方法

erhoui1w 于 2021-05-17 发布在 Spark

关注(0)|答案(1)|浏览(551)

我正在尝试以最有效的方式拆分Dataframe（约2亿行）。下面是一个测试样本来解释：

df.show()

+----+------+--------+
| id | size | weight |         
+----+------+--------+
| 1  | 10   |  200   |
| 2  | 50   |  100   |
| 3  | 75   |  300   |
+----+------+--------+

我正在尝试将此Dataframe拆分为两组，例如一个有效和错误文件（或者至少作为Parquet文件直接保存到我的hdfs），具体取决于过滤器，例如，size>50&weight>300，因此我可以在该过滤器上拆分我的Dataframe。
我的第一个直觉是根据不同的过滤器创建一个布尔列（0,1），然后对这些新列求和，最后应用过滤器>0和==0来创建我的2个集合。
这是一个有效的方法还是你认为有更好的解决方案？

apache-spark pyspark python-3.x

来源：https://stackoverflow.com/questions/64808049/most-efficient-way-to-split-spark-dataframe-depending-on-rules

1条答案

按热度按时间

xn1cxnb41#

是的，你提议的主意听起来不错。一旦你定义了 df ，我建议使用如下代码：

import org.apache.spark.sql.functions as F

df2 = df.withColumn("Check_Column", F.when((F.col("size") > 50) && (F.col("weight") > 300),F.lag(1)).otherwise(0))
df2.show()

上面将添加一个新列，其中包含与您的条件是否满足相对应的布尔项。然后，我会过滤掉这些结果，以便创建您要查找的两个数据集：

df_True = df2.filter(df2.Check_Column == 1)
df_True.show()

df_False = df2.filter(df2.Check_Column == 0)
df_False.show()

赞(0）回复(0）举报 2021-05-18

我来回答

python3.x—根据规则分割sparkDataframe的最有效方法

1条答案

相关问题

热门标签

最新问答