Scala 我们是否应该在训练之前并行化一个数据帧，就像并行化一个Seq一样

考虑一下这里给出的代码

假设我们使用sqlContext.read（）将“training”作为数据帧读取，则应该 我们仍然在做类似的事情

val model1 = lr.fit(sparkContext.parallelize(training)) // or some variation of this

或者，当传递数据帧时，fit函数将自动处理计算/数据的并行化

---

在这方面，数据帧是一种分布式数据结构。既不需要也不可能将其并行化

SparkConext.parallelize

方法仅用于驻留在驱动程序内存中的分布式本地数据结构。您不应该习惯于分发大型数据集，更不用说重新分发

rdd

或更高级别的数据结构（就像您在前面的问题中所做的那样）

如果要在

RDD

/

Dataframe

（

Dataset

）之间进行转换，请使用专门为此设计的方法：

从

DataFrame

到

RDD

：

import org.apache.spark.sql.DataFrame
import org.apache.spark.sql.Row
import org.apache.spark.rdd.RDD

val df: DataFrame  = Seq(("foo", 1), ("bar", 2)).toDF("k", "v")
val rdd: RDD[Row] = df.rdd

从

RDD

到

DataFrame

：

val rdd: RDD[(String, Int)] = sc.parallelize(Seq(("foo", 1), ("bar", 2)))
val df1: DataFrame = rdd.toDF
// or
val df2: DataFrame = spark.createDataFrame(rdd) // From 1.x use sqlContext

---

您可能应该检查RDD和DataFrame之间的差异，以及如何在两者之间进行转换：

直接回答您的问题：数据帧已经针对并行执行进行了优化。您不需要做任何事情，可以直接将其传递给任何spark estimators fit（）方法。并行执行在后台处理

import org.apache.spark.sql.DataFrame
import org.apache.spark.sql.Row
import org.apache.spark.rdd.RDD

val df: DataFrame  = Seq(("foo", 1), ("bar", 2)).toDF("k", "v")
val rdd: RDD[Row] = df.rdd

val rdd: RDD[(String, Int)] = sc.parallelize(Seq(("foo", 1), ("bar", 2)))
val df1: DataFrame = rdd.toDF
// or
val df2: DataFrame = spark.createDataFrame(rdd) // From 1.x use sqlContext