没有GroupBy的Pyspark SQL Pandas分组地图？

Question

bounty到期在2天内。该问题的答案有资格获得+ 100声望赏金。Dave想要引起更多关注对此问题。

我有一个数据集，我想使用多个Pyspark SQLGrouped MapUDF在AWS EMR的临时集群中运行的较大ETL过程的不同阶段映射。分组地图API要求在应用之前先将Pyspark数据框分组，但是我实际上不需要分组密钥。

目前，我正在使用任意分组，该分组有效，但结果是：

1. 不必要的随机播放。

2. 每个作业中任意分组的无效代码。

我的理想解决方案是应用矢量化的Pandas UDF，而无需进行任意分组，但是如果我可以保存任意分组，至少可以消除混洗。

编辑：

这是我的代码的样子。我最初使用的是任意分组，但目前基于@pault的以下注释正在尝试spark_partition_id()。

@pandas_udf(b_schema, PandasUDFType.GROUPED_MAP)
def transform(a_partition):
  b = a_partition.drop("pid", axis=1)
  # Some other transform stuff
  return b

(sql
  .read.parquet(a_path)
  .withColumn("pid", spark_partition_id())
  .groupBy("pid")
  .apply(transform)
  .write.parquet(b_path))

使用spark_partition_id()似乎仍然会造成随机播放。我得到以下DAG：

阶段1

1. 扫描实木复合地板
2. 项目
3. 项目
4. Exchange

第二阶段

1. Exchange
2. 排序
3. FlatMapGroupsInPandas

Answer 1

要支持大致等效的逻辑（功能(pandas.core.frame.DataFrame) -> pandas.core.frame.DataFrame），您必须切换到Spark 3.0.0并使用MAP_ITER转换。

在最新的预览版本（3.0.0-preview2）中，您需要一个UDF：

@pandas_udf(b_schema, PandasUDFType.MAP_ITER)
def transform(dfs):
    for df in dfs:
        b = df.drop("pid", axis=1)
        ...
        yield b

df.mapInPandas(transform)

以及在即将发布的3.0.0版本（SPARK-28264）中只是一个简单的功能：

def transform(dfs):
    for df in dfs:
        b = df.drop("pid", axis=1)
        # Some other transform stuff
        ...
        yield b

df.mapInPandas(transform, b_schema)

在2.x上可能的解决方法是使用普通SCALAR UDF，将结果的每一行序列化为JSON，然后在另一侧反序列化，即，

import json
from pyspark.sql.functions import from_json

@pandas_udf("string", PandasUDFType.SCALAR)
def transform(col1, col2):
    b = pd.DataFrame({"x": col1, "y": col2})
    ...
    return b.apply(lambda x: json.dumps(dict(zip(df.columns, x))), axis=1)


(df
    .withColumn("json_result", transform("col1", "col2"))
    .withColumn("a_struct", from_json("json_result", b_schema)))