有谁知道为什么连接多个PySpark DataFrames比使用functools.reduce()
循环迭代刚刚加入同一DataFrames在使用Python3的for
会导致更糟糕的表现?具体而言,这给出了一个巨大的减速,接着存储器外的一个错误:
def join_dataframes(list_of_join_columns, left_df, right_df):
return left_df.join(right_df, on=list_of_join_columns)
joined_df = functools.reduce(
functools.partial(join_dataframes, list_of_join_columns), list_of_dataframes,
)
而这其中并不:
joined_df = list_of_dataframes[0]
joined_df.cache()
for right_df in list_of_dataframes[1:]:
joined_df = joined_df.join(right_df, on=list_of_join_columns)
任何想法将不胜感激。谢谢!
一个原因是,一个降低或折叠通常是功能上纯:每个累积操作的结果不被写入存储器的同一部件,而是新的存储块。
原则上,垃圾收集器会释放每个累积后的前一个块,但如果没有,你会贮液器的每个更新版本分配内存。
只要你使用CPython的(不同的实现就可以了,但实际上不应该在这种特殊情况下表现出不同的显著行为)。如果你看一看reduce
implementation你会看到它只是一个for循环以最小的异常处理。
其核心是完全等同于你使用循环
for element in it:
value = function(value, element)
并没有证据支持的任何特殊行为的权利要求。
另外简单的测试与星火的实际限制帧数连接(连接are among the most expensive operations in Spark)
dfs = [
spark.range(10000).selectExpr(
"rand({}) AS id".format(i), "id AS value", "{} AS loop ".format(i)
)
for i in range(200)
]
显示定时直接用于环之间没有显著差异
def f(dfs):
df1 = dfs[0]
for df2 in dfs[1:]:
df1 = df1.join(df2, ["id"])
return df1
%timeit -n3 f(dfs)
## 6.25 s ± 257 ms per loop (mean ± std. dev. of 7 runs, 3 loops each)
和reduce
调用
from functools import reduce
def g(dfs):
return reduce(lambda x, y: x.join(y, ["id"]), dfs)
%timeit -n3 g(dfs)
### 6.47 s ± 455 ms per loop (mean ± std. dev. of 7 runs, 3 loops each)
同样整体JVM的行为模式是循环之间的可比性
For loop CPU and Memory Usage - VisualVM
和reduce
reduce CPU and Memory Usage - VisualVM
最后都产生相同的执行计划
g(dfs)._jdf.queryExecution().optimizedPlan().equals(
f(dfs)._jdf.queryExecution().optimizedPlan()
)
## True
这表明,当计划进行评估和奥姆斯有可能出现没有任何区别。
换句话说,你的相关性并不意味着因果关系,并观察性能问题不太可能与你使用DataFrames
结合的方法。