Apache spark 拼花文件是否保留Spark数据帧的行顺序?
当我将Spark数据框保存为拼花地板文件,然后将其读回时,生成的数据框的行与原始数据框的行不同,如下面的会话所示。这是数据框还是拼花文件的“特征”?以保留行顺序的方式保存数据帧的最佳方式是什么Apache spark 拼花文件是否保留Spark数据帧的行顺序?,apache-spark,apache-spark-sql,parquet,Apache Spark,Apache Spark Sql,Parquet,当我将Spark数据框保存为拼花地板文件,然后将其读回时,生成的数据框的行与原始数据框的行不同,如下面的会话所示。这是数据框还是拼花文件的“特征”?以保留行顺序的方式保存数据帧的最佳方式是什么 >>> import numpy as np >>> import pandas as pd >>> pdf = pd.DataFrame(np.random.random((10,2))) >>> pdf 0
>>> import numpy as np
>>> import pandas as pd
>>> pdf = pd.DataFrame(np.random.random((10,2)))
>>> pdf
0 1
0 0.191519 0.622109
1 0.437728 0.785359
2 0.779976 0.272593
3 0.276464 0.801872
4 0.958139 0.875933
5 0.357817 0.500995
6 0.683463 0.712702
7 0.370251 0.561196
8 0.503083 0.013768
9 0.772827 0.882641
>>> df = sqlContext.createDataFrame(pdf)
>>> df.show()
+-------------------+--------------------+
| 0| 1|
+-------------------+--------------------+
| 0.1915194503788923| 0.6221087710398319|
| 0.4377277390071145| 0.7853585837137692|
| 0.7799758081188035| 0.2725926052826416|
| 0.2764642551430967| 0.8018721775350193|
| 0.9581393536837052| 0.8759326347420947|
|0.35781726995786667| 0.5009951255234587|
| 0.6834629351721363| 0.7127020269829002|
|0.37025075479039493| 0.5611961860656249|
| 0.5030831653078097|0.013768449590682241|
| 0.772826621612374| 0.8826411906361166|
+-------------------+--------------------+
>>> df.write.parquet('test.parquet')
>>> df2 = sqlContext.read.parquet('test.parquet')
>>> df2.show()
+-------------------+--------------------+
| 0| 1|
+-------------------+--------------------+
| 0.6834629351721363| 0.7127020269829002|
|0.37025075479039493| 0.5611961860656249|
| 0.5030831653078097|0.013768449590682241|
| 0.772826621612374| 0.8826411906361166|
| 0.7799758081188035| 0.2725926052826416|
| 0.2764642551430967| 0.8018721775350193|
| 0.1915194503788923| 0.6221087710398319|
| 0.4377277390071145| 0.7853585837137692|
| 0.9581393536837052| 0.8759326347420947|
|0.35781726995786667| 0.5009951255234587|
+-------------------+--------------------+
这似乎是Spark内部分区的结果(以及
show()
的实现)。函数show()
基本上围绕调用take()
包装了一些漂亮的格式,关于take的工作原理有一个很好的解释。由于对show()
的两个调用中最初读取的分区可能不同,因此您将看到不同的值 那么,您是说,在内部,拼花文件保留行的顺序,而恰好由show()
/take()
读取的第一个分区是错误的(这有点奇怪,因为拼花文件应该知道每个块的顺序)?我还认为它可能与show()
/take()
有关,但只读取文档(“将前n行打印到控制台”)而不读取源代码。@ianalis是的,如果您阅读,文档说明take()
首先通过“扫描一个分区”工作,而不限于第一个分区。打印的第一行n
可能指找到的第一行n
。Parquet应该保留文件中的行顺序(即,如果您将配置单元表指向您的文件,并使用同一命令多次查询您的数据,您将看到相同的行顺序)。谢谢!这是一个bug还是我应该提交一个功能请求?@ianalis这将是一个请求。