Срез кадра данных Spark

У меня есть таблица с (миллионами) записей в соответствии со строками следующего примера, прочитанными в фрейме данных Spark (sdf):

ИдентификаторС1С2
хх1с118c219
хх1с113c218
хх1с118c214
акбс121с201
e3dc181c221
e3dс132c252
abqс141c290
.........
вы1c13023C23021

Я хотел бы получить меньшее подмножество этих идентификатор для дальнейшей обработки. Я идентифицирую уникальный набор идентификатор в таблице с помощью sdf_id = sdf.select("Id").dropDuplicates().

Каков эффективный способ фильтрации данных (С1, С2), относящихся, скажем, к 100 случайно выбранным идентификатор?

Вам нужен полные данные по идентификатору для подмножества идентификаторов? или любое подмножество записей в порядке?

pltc 07.04.2022 00:26

Привет @pltc, мне нужны полные данные для каждого идентификатора для подмножества идентификаторов.

arun 07.04.2022 01:21
Стоит ли изучать PHP в 2023-2024 годах?
Стоит ли изучать PHP в 2023-2024 годах?
Привет всем, сегодня я хочу высказать свои соображения по поводу вопроса, который я уже много раз получал в своем сообществе: "Стоит ли изучать PHP в...
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
В JavaScript одним из самых запутанных понятий является поведение ключевого слова "this" в стрелочной и обычной функциях.
Приемы CSS-макетирования - floats и Flexbox
Приемы CSS-макетирования - floats и Flexbox
Здравствуйте, друзья-студенты! Готовы совершенствовать свои навыки веб-дизайна? Сегодня в нашем путешествии мы рассмотрим приемы CSS-верстки - в...
Тестирование функциональных ngrx-эффектов в Angular 16 с помощью Jest
В системе управления состояниями ngrx, совместимой с Angular 16, появились функциональные эффекты. Это здорово и делает код определенно легче для...
Концепция локализации и ее применение в приложениях React ⚡️
Концепция локализации и ее применение в приложениях React ⚡️
Локализация - это процесс адаптации приложения к различным языкам и культурным требованиям. Это позволяет пользователям получить опыт, соответствующий...
Пользовательский скаляр GraphQL
Пользовательский скаляр GraphQL
Листовые узлы системы типов GraphQL называются скалярами. Достигнув скалярного типа, невозможно спуститься дальше по иерархии типов. Скалярный тип...
0
2
40
2
Перейти к ответу Данный вопрос помечен как решенный

Ответы 2

Поскольку у вас уже есть список уникальных ids, вы можете дополнительно отобрать его до нужной фракции и отфильтровать на основе этого.

Есть и другие способы выборки случайных идентификаторов, которые можно найти здесь.

Выборка

### Assuming the DF is 1 mil records , 100 records would be 0.01%

sdf_id = sdf.select("Id").dropDuplicates().sample(0.01).collect()

Фильтр

sdf_filtered = sdf.filter(F.col('Id').isin(sdf_id))

Спасибо, Вабхав. Я могу успешно выполнить выборку, но получаю следующую ошибку на этапе фильтрации. ``` Произошла ошибка при вызове z:org.apache.spark.sql.functions.lit. : java.lang.RuntimeException: неподдерживаемый литеральный тип класса java.util.ArrayList``` Есть ли у вас какие-либо предложения по исправлению?

arun 07.04.2022 01:19
Ответ принят как подходящий

Есть несколько способов добиться желаемого.

Мои образцы данных
df = spark.createDataFrame([
    (1, 'a'),
    (1, 'b'),
    (1, 'c'),
    (2, 'd'),
    (2, 'e'),
    (3, 'f'),
], ['id', 'col'])
Первым шагом является получение идентификаторов образцов, которые вы хотели
ids = df.select('id').distinct().sample(0.2) # 2 is 20%, you can adjust this

+---+
| id|
+---+
|  1|
+---+
Подход №1: использование внутреннего соединения

Поскольку у вас есть два фрейма данных, вы можете просто выполнить одно внутреннее соединение, чтобы получить все записи из df для каждого идентификатора в ids. Обратите внимание, что F.broadcast предназначен для повышения производительности, потому что ids должен быть достаточно маленьким. Не стесняйтесь забрать его, если хотите. С точки зрения производительности этот подход предпочтительнее.

df.join(F.broadcast(ids), on=['id'], how='inner').show()

+---+---+
| id|col|
+---+---+
|  1|  a|
|  1|  b|
|  1|  c|
+---+---+
Подход № 2: использование isin

Вы не можете просто получить список идентификаторов через ids.collect(), потому что это вернет список Row, вам нужно перебрать его, чтобы получить именно тот столбец, который вы хотите (в данном случае id).

df.where(F.col('id').isin([r['id'] for r in ids.collect()])).show()

+---+---+
| id|col|
+---+---+
|  1|  a|
|  1|  b|
|  1|  c|
+---+---+

Другие вопросы по теме