重新分配Spark中数据帧的行顺序

Question

我想了解在应用.repartition函数之后数据帧发生了什么。如果我的原始数据框是：

+--------+------+--------------+-------+-----+
|integers|floats|integer_arrays|letters|nulls|
+--------+------+--------------+-------+-----+
|       1|  -1.0|        [1, 2]|      a|    1|
|       2|   0.5|     [3, 4, 5]|      b| null|
|       3|   2.7|  [6, 7, 8, 9]|      c|    2|
+--------+------+--------------+-------+-----+

我跑了：

df.repartition(10).show()

结果数据框具有不同顺序的行：

+--------+------+--------------+-------+-----+
|integers|floats|integer_arrays|letters|nulls|
+--------+------+--------------+-------+-----+
|       3|   2.7|  [6, 7, 8, 9]|      c|    2|
|       2|   0.5|     [3, 4, 5]|      b| null|
|       1|  -1.0|        [1, 2]|      a|    1|
+--------+------+--------------+-------+-----+

为什么行的顺序改变？

[3行分成10个分区的数据框实际上发生了什么？

我可以看到它分配的分区吗？

感谢您的帮助。

Answer 1

您的初始DataFrame的行分布在不同的分区上。当您调用show时，会从分区中获取行的子集并将其传递给驱动程序，驱动程序将以表格格式显示它们。

要查看行被分配到的分区，请使用pyspark sql函数spark_partition_id()：

>>> from pyspark.sql.functions import spark_partition_id
>>> df0 = spark.range(3)
>>> df1 = df0.withColumn("partition_id_before", spark_partition_id())
>>> df1.show()
+---+-------------------+
| id|partition_id_before|
+---+-------------------+
|  0|                  1|
|  1|                  2|
|  2|                  3|
+---+-------------------+

现在，当您要求重新组合时，Spark将计算每行的哈希值，并根据该值和在随机操作中使用的默认分区数，将每一行移至（可能不同的）分区，如您所见下方：

>>> df2 = df1.repartition(10).withColumn("partition_id_after", spark_partition_id())
>>> df2.show()
+---+-------------------+------------------+
| id|partition_id_before|partition_id_after|
+---+-------------------+------------------+
|  2|                  3|                 5|
|  0|                  1|                 6|
|  1|                  2|                 9|
+---+-------------------+------------------+

[通常，由于Spark是用于分布式处理的框架，我的建议是不要依赖（感知）行的位置顺序，而将DataFrame的内容视为set（缺少顺序的集合，例如组理论）。诸如orderBy之类的功能通常仅用于显示目的，例如前N个是某物产生的，然后顺序很重要。在大多数操作中，尽管忽略顺序。