Scala collect_list()是否保持行的相对顺序?
假设我有以下数据帧df:Scala collect_list()是否保持行的相对顺序?,scala,apache-spark,apache-spark-sql,Scala,Apache Spark,Apache Spark Sql,假设我有以下数据帧df: +---+-----------+------------+ | id|featureName|featureValue| +---+-----------+------------+ |id1| a| 3| |id1| b| 4| |id2| a| 2| |id2| c| 5| |id3| d|
+---+-----------+------------+
| id|featureName|featureValue|
+---+-----------+------------+
|id1| a| 3|
|id1| b| 4|
|id2| a| 2|
|id2| c| 5|
|id3| d| 9|
+---+-----------+------------+
想象一下我在跑步:
df.groupBy("id")
.agg(collect_list($"featureIndex").as("idx"),
collect_list($"featureValue").as("val"))
我是否保证将“idx”和“val”聚合并保持它们的相对顺序?i、 e
GOOD GOOD BAD
+---+------+------+ +---+------+------+ +---+------+------+
| id| idx| val| | id| idx| val| | id| idx| val|
+---+------+------+ +---+------+------+ +---+------+------+
|id3| [d]| [9]| |id3| [d]| [9]| |id3| [d]| [9]|
|id1|[a, b]|[3, 4]| |id1|[b, a]|[4, 3]| |id1|[a, b]|[4, 3]|
|id2|[a, c]|[2, 5]| |id2|[c, a]|[5, 2]| |id2|[a, c]|[5, 2]|
+---+------+------+ +---+------+------+ +---+------+------+
注意:例如,这是不好的,因为对于id1[a,b]应该与[3,4](而不是[4,3])关联。id2也是一样,我认为您可以依赖于“它们的相对顺序”,因为Spark会按顺序逐个遍历行(如果没有明确需要,通常不会重新排序行)
如果您关心顺序,请在执行groupBy
之前使用函数合并这两列
struct(colName:String,colNames:String*):Column创建一个由多个输入列组成的新struct列
您还可以使用函数对记录进行编号,并使用它与其他列配对(可能使用struct
):
单调递增的\u id():列生成单调递增的64位整数的列表达式
生成的ID保证单调递增且唯一,但不是连续的
因此,Spark DataFrame将数据处理“水平”分布,而不是“垂直”分布。i、 e.一个执行者将始终接收整行,而不是其中的几列?是的。行始终全部位于单个执行器/节点上。