Arrays Spark数据集到阵列的转换

我有一个如下的数据集；col1的值重复多次，col2的值是唯一的。这个原始数据集可以存储近十亿行，所以我不想使用collect或collect_list，因为它不会扩展到我的用例

原始数据集：

+---------------------|
|    col1  |    col2  |
+---------------------|
|    AA|    11        |
|    BB|    21        |
|    AA|    12        |
|    AA|    13        |
|    BB|    22        |
|    CC|    33        |
+---------------------|

我想将数据集转换为以下数组格式。newColumn作为col2的数组

转换的数据集：

+---------------------|
|col1  |     newColumn|
+---------------------|
|    AA|    [11,12,13]|
|    BB|    [21,22]   |
|    CC|    [33]      |
+---------------------|

我见过这个解决方案，但它使用collect_列表，不会在大数据集上扩展

加载数据帧

分组依据

col1

使用

collect\u list

加载数据帧

分组依据

col1

使用

collect\u list

---

使用spark的内置功能始终是最好的方法。 我认为使用collect_list函数没有问题。只要你有足够的记忆，这将是最好的方法。 优化作业的一种方法是将数据保存为拼花地板，按列A存储数据并将其保存为表格。更好的做法是，还可以通过一些均匀分布数据的列对其进行分区

比如说,

df_stored = #load your data from csv or parquet or any format'
spark.catalog.setCurrentDatabase(database_name)
df_stored.write.mode("overwrite").format("parquet").partitionBy(part_col).bucketBy(10,"col1").option("path",savepath).saveAsTable(tablename)
df_analysis = spark.table(tablename)
df_aggreg = df_analysis.groupby('col1').agg(F.collect_list(col('col2')))

---

这将加速聚合并避免大量的混乱。试试看

使用spark的内置功能始终是最好的方法。 我认为使用collect_list函数没有问题。只要你有足够的记忆，这将是最好的方法。 优化作业的一种方法是将数据保存为拼花地板，按列A存储数据并将其保存为表格。更好的做法是，还可以通过一些均匀分布数据的列对其进行分区

比如说,

df_stored = #load your data from csv or parquet or any format'
spark.catalog.setCurrentDatabase(database_name)
df_stored.write.mode("overwrite").format("parquet").partitionBy(part_col).bucketBy(10,"col1").option("path",savepath).saveAsTable(tablename)
df_analysis = spark.table(tablename)
df_aggreg = df_analysis.groupby('col1').agg(F.collect_list(col('col2')))

---

这将加速聚合并避免大量的混乱。试试看

谢谢，@Raghu，是的，我计划在执行groupBy之前使用bucket和partition保存数据集。我将使用collect_列表进行测试并做出响应。我过去对collect_ist有过一些问题，但这也取决于它的实现。在这个场景中，我假设因为我将在agg中使用collect_list，所以大小永远不会太大。超级，让我知道它是如何工作的。Hi@Raghu，我测试了这将使我的应用程序按预期工作，不会出现任何内存过载。再次感谢您从性能角度回答我的问题！很高兴听到：-）谢谢，@Raghu，是的，我计划在执行groupBy之前使用bucket和partition保存数据集。我将使用collect_列表进行测试并做出响应。我过去对collect_ist有过一些问题，但这也取决于它的实现。在这个场景中，我假设因为我将在agg中使用collect_list，所以大小永远不会太大。超级，让我知道它是如何工作的。Hi@Raghu，我测试了这将使我的应用程序按预期工作，不会出现任何内存过载。再次感谢您从性能角度回答我的问题！很高兴听到：-）我对这个问题投了赞成票，因为这更多的是关于性能，而不是程序本身。我想知道为什么这是关闭的啊，这里是一样的，它是自动关闭的，可能没有阅读整个问题，错过了性能方面。我对问题投了赞成票，因为这更多是关于性能，而不是程序本身。我想知道为什么这是关闭的啊，这里也是一样，它是自动关闭的，可能没有阅读整个问题，错过了性能方面。