Kolumna spark select zwraca odwołanie na stare ramki danych

Question 1

Używam następujący kod:

random = [("ABC",xx, 1), 
          ("DEF",yy,1), 
          ("GHI",zz, 0) 
         ]
randomColumns = ["name","id", "male"]
randomDF = spark.createDataFrame(data=random, schema = randomColumns)
test_df = randomDF.select("name", "id")
test_df.filter(f.col("male") == '1').show()

Z powyższego kodu spodziewam się, że to doprowadzi do błędu, bo dla test_df nie wybieram męski kolumnę z oryginalnej ramki danych. Zaskakujące, ale powyższy wniosek działa dobrze, bez żadnych błędów i wyświetla następujący:

+---------+-------+
|name     |     id|
+---------+-------+
|      abc|     xx|
|      def|     yy|
+---------+-------+

Chcę zrozumieć logikę tego, co sprawia, że iskra. Zgodnie z dokumentacją spark Select zwraca nową ramkę danych. - Dlaczego on nadal może korzystać z męskiej kolumnę z nadrzędnego ramki danych.

Question 2

Jest to spowodowane DAG, generowanych przez Spark. Niektórzy operatorzy (lub transformers) są wykonywane leniwie, więc utorować drogę dla Spark do optymalizacji DAG.

W tym przykładzie mamy dwa podstawowe kroki: select (lub project w żargonie SQL) po pierwsze, i filter później. Ale w rzeczywistości, podczas wykonywania, filter najpierw, a potem selectbo to bardziej efektywnie.

Możesz sprawdzić ten wniosek, poprzez explain() metoda:

test_df.filter(f.col("flag") == '1').explain()

Może:

== Physical Plan ==
*(1) Project [dept_name#0, dept_id#1L]
+- *(1) Filter (isnotnull(flag#2L) AND (flag#2L = 1))
   +- *(1) Scan ExistingRDD[dept_name#0,dept_id#1L,flag#2L]

Question 3

Dodając do odpowiedzi @chenzhongpu, proszę zwrócić uwagę, że jeśli definiujesz tymczasowy widok na swojego test_dfżądanie zakończy się błędem:

test_df.createOrReplaceTempView("test_df")
spark.sql("select * from test_df where flag = 1").show()
_Traceback (most recent call last): ...
:
pyspark.sql.utils.AnalysisException: u"cannot resolve '`flag`' given input columns: [test_df.dept, test_df.id]; line 1 pos 24;
'Project [*]
 +- 'Filter ('flag = 1)
   +- SubqueryAlias `test_df`
      +- Project [dept#0, id#2L]
         +- LogicalRDD [dept#0, flag#1L, id#2L], false
 _

...bo a select (=Project węzeł w zakresie realizacji) będzie poprzedzać filtra (próba z pomocą where pkt).

chenzhongpu · Answer 1 · 2021-11-24T01:29:03

Jest to spowodowane DAG, generowanych przez Spark. Niektórzy operatorzy (lub transformers) są wykonywane leniwie, więc utorować drogę dla Spark do optymalizacji DAG.

W tym przykładzie mamy dwa podstawowe kroki: select (lub project w żargonie SQL) po pierwsze, i filter później. Ale w rzeczywistości, podczas wykonywania, filter najpierw, a potem selectbo to bardziej efektywnie.

Możesz sprawdzić ten wniosek, poprzez explain() metoda:

test_df.filter(f.col("flag") == '1').explain()

Może:

== Physical Plan ==
*(1) Project [dept_name#0, dept_id#1L]
+- *(1) Filter (isnotnull(flag#2L) AND (flag#2L = 1))
   +- *(1) Scan ExistingRDD[dept_name#0,dept_id#1L,flag#2L]

mazaneicha · Answer 2 · 2021-11-24T14:25:52

Dodając do odpowiedzi @chenzhongpu, proszę zwrócić uwagę, że jeśli definiujesz tymczasowy widok na swojego test_dfżądanie zakończy się błędem:

test_df.createOrReplaceTempView("test_df")
spark.sql("select * from test_df where flag = 1").show()
_Traceback (most recent call last): ...
:
pyspark.sql.utils.AnalysisException: u"cannot resolve '`flag`' given input columns: [test_df.dept, test_df.id]; line 1 pos 24;
'Project [*]
 +- 'Filter ('flag = 1)
   +- SubqueryAlias `test_df`
      +- Project [dept#0, id#2L]
         +- LogicalRDD [dept#0, flag#1L, id#2L], false
 _

...bo a select (=Project węzeł w zakresie realizacji) będzie poprzedzać filtra (próba z pomocą where pkt).

Kolumna spark select zwraca odwołanie na stare ramki danych

Pytanie

Najlepsza odpowiedź

W innych językach

Ta strona jest w innych językach

Popularne w tej kategorii

Najczęściej zadawane pytania w tej kategorii