究竟是什么.select（）呢？

Question

使用.select()时遇到了令人惊讶的行为：

>>> my_df.show()
+---+---+---+
|  a|  b|  c|
+---+---+---+
|  1|  3|  5|
|  2|  4|  6|
+---+---+---+

>>> a_c = s_df.select(col("a"), col("c")) # removing column b
>>> a_c.show()
+---+---+
|  a|  c|
+---+---+
|  1|  5|
|  2|  6|
+---+---+

>>> a_c.filter(col("b") == 3).show() # I can still filter on "b"!
+---+---+
|  a|  c|
+---+---+
|  1|  5|
+---+---+

这种行为让我感到疑惑......以下几点是否正确？

DataFrame只是视图，简单的DataFrame就是它自己的视图。在我看来，a_c只是对my_df的看法。

当我创建a_c时没有创建新数据，a_c只是指向my_df指向的相同数据。

如果有其他相关信息，请添加！

Answer 1

这是因为Spark的懒惰性质。足够“智能”将滤波器向下推，使其在滤波器*之前发生在较低的水平。所以，因为这一切都发生在相同的stage执行中，并且仍然可以解决。事实上你可以在explain看到这个：

== Physical Plan ==
*Project [a#0, c#2]
+- *Filter (b#1 = 3) <---Filter before Project
   +- LocalTableScan [A#0, B#1, C#2]

您可以强制进行随机播放和新阶段，然后查看您的过滤器失败。甚至在编译时捕获它。这是一个例子：

a_c.groupBy("a","c").count.filter(col("b") === 3)

*还有一个投影修剪，如果它意识到它在任何时候都不需要列，则将选择向下推送到数据库层。但是我相信过滤器会导致它“需要”而不是修剪......但我没有测试过。

Answer 2

让我们从一些关于基础的基础知识开始。这将使您的理解变得容易。 RDD：Spark核心的基础是称为RDD的数据结构，它被懒惰地评估。通过延迟评估，我们的意思是RDD计算在动作时发生（比如在RDD中调用计数或在数据集中显示）。

数据集或数据帧（数据集[行]）也在核心使用RDD。

这意味着只有在触发动作（显示）时才会实现每个转换（如过滤器）。

所以你的问题“当我创建a_c时没有创建新数据，a_c只是指向my_df所指向的相同数据。” 因为没有实现的数据。我们必须意识到它将它带入记忆中。您的过滤器适用于初始数据帧。使a_c.filter(col("b") == 3).show()抛出运行时异常的唯一方法是使用dataframe.cache缓存中间数据帧。所以spark会抛出“main”org.apache.spark.sql.AnalysisException：无法解析列名Eg。

val a_c = s_df.select(col("a"), col("c")).cache
         a_c.filter(col("b") == 3).show()

所以spark会抛出“main”org.apache.spark.sql.AnalysisException：无法解析列名。