DataFrame-ified zipWithIndex

时间：2015-05-18 13:41:44

标签： apache-spark apache-spark-sql

我正在尝试解决向数据集添加序列号的古老问题。我正在使用DataFrames，似乎没有与RDD.zipWithIndex等效的DataFrame。另一方面，以下工作或多或少地按照我希望的方式工作：

val origDF = sqlContext.load(...)    

val seqDF= sqlContext.createDataFrame(
    origDF.rdd.zipWithIndex.map(ln => Row.fromSeq(Seq(ln._2) ++ ln._1.toSeq)),
    StructType(Array(StructField("seq", LongType, false)) ++ origDF.schema.fields)
)

在我的实际应用程序中，origDF不会直接从文件中加载 - 它将通过将2-3个其他DataFrame连接在一起来创建，并且将包含超过1亿行。

有更好的方法吗？我该怎么做才能优化它？

8 个答案:

答案 0 :(得分：32)

以下内容是代表David Griffin发布的（无法修改）。

全能的，全舞蹈的dfZipWithIndex方法。您可以设置起始偏移量（默认为1），索引列名称（默认为＆＃34; id＆＃34;），并将列放在前面或后面：

import org.apache.spark.sql.DataFrame
import org.apache.spark.sql.types.{LongType, StructField, StructType}
import org.apache.spark.sql.Row


def dfZipWithIndex(
  df: DataFrame,
  offset: Int = 1,
  colName: String = "id",
  inFront: Boolean = true
) : DataFrame = {
  df.sqlContext.createDataFrame(
    df.rdd.zipWithIndex.map(ln =>
      Row.fromSeq(
        (if (inFront) Seq(ln._2 + offset) else Seq())
          ++ ln._1.toSeq ++
        (if (inFront) Seq() else Seq(ln._2 + offset))
      )
    ),
    StructType(
      (if (inFront) Array(StructField(colName,LongType,false)) else Array[StructField]()) 
        ++ df.schema.fields ++ 
      (if (inFront) Array[StructField]() else Array(StructField(colName,LongType,false)))
    )
  ) 
}

答案 1 :(得分：10)

自Spark 1.6起，有一个名为 monotonically_increasing_id（）的函数
它为每行生成一个具有唯一64位单调索引的新列 但这并不重要，每个分区都会启动一个新范围，因此我们必须在使用之前计算每个分区偏移量。
试图提供一个免费的＆＃34; rdd-free＆＃34;解决方案，我最终得到了一些collect（），但它只收集偏移量，每个分区一个值，所以它不会导致OOM 

def zipWithIndex(df: DataFrame, offset: Long = 1, indexName: String = "index") = {
    val dfWithPartitionId = df.withColumn("partition_id", spark_partition_id()).withColumn("inc_id", monotonically_increasing_id())

    val partitionOffsets = dfWithPartitionId
        .groupBy("partition_id")
        .agg(count(lit(1)) as "cnt", first("inc_id") as "inc_id")
        .orderBy("partition_id")
        .select(sum("cnt").over(Window.orderBy("partition_id")) - col("cnt") - col("inc_id") + lit(offset) as "cnt" )
        .collect()
        .map(_.getLong(0))
        .toArray

     dfWithPartitionId
        .withColumn("partition_offset", udf((partitionId: Int) => partitionOffsets(partitionId), LongType)(col("partition_id")))
        .withColumn(indexName, col("partition_offset") + col("inc_id"))
        .drop("partition_id", "partition_offset", "inc_id")
}

此解决方案不会重新打包原始行，也不会对原始庞大的数据帧进行重新分区，因此在现实世界中它非常快： 200GB的CSV数据（4300万行，150列）在240个核心上在2分钟内读取，索引并打包到镶木地板上 在测试我的解决方案之后，我已经运行Kirk Broadhurst's solution并且慢了20秒 您可能想要或不想使用dfWithPartitionId.cache()，取决于任务

答案 2 :(得分：7)

从Spark 1.5开始，Window表达式被添加到Spark中。您现在可以使用DataFrame，而不必将RDD转换为org.apache.spark.sql.expressions.row_number。请注意，我发现上述dfZipWithIndex的效果明显快于以下算法。但我发布它是因为：

  1. 其他人会想尝试这个
  2. 也许有人可以优化下面的表达

    3. 无论如何，这对我有用：

    import org.apache.spark.sql.expressions._

df.withColumn("row_num", row_number.over(Window.partitionBy(lit(1)).orderBy(lit(1))))

    请注意，我使用lit(1)进行分区和排序 - 这使得所有内容都在同一个分区中，并且似乎保留了DataFrame的原始顺序，但我认为它是什么减缓了它。

    我在一个包含7,000,000行的4列DataFrame上进行了测试，这与上面dfZipWithIndex之间的速度差异很大（就像我说的那样，RDD函数很多，快得多。）

答案 3 :(得分：3)

PySpark版本：

from pyspark.sql.types import LongType, StructField, StructType

def dfZipWithIndex (df, offset=1, colName="rowId"):
    '''
        Enumerates dataframe rows is native order, like rdd.ZipWithIndex(), but on a dataframe 
        and preserves a schema

        :param df: source dataframe
        :param offset: adjustment to zipWithIndex()'s index
        :param colName: name of the index column
    '''

    new_schema = StructType(
                    [StructField(colName,LongType(),True)]        # new added field in front
                    + df.schema.fields                            # previous schema
                )

    zipped_rdd = df.rdd.zipWithIndex()

    new_rdd = zipped_rdd.map(lambda (row,rowId): ([rowId +offset] + list(row)))

    return spark.createDataFrame(new_rdd, new_schema)

还创建了一个jira，以便本机地在Spark中添加此功能：https://issues.apache.org/jira/browse/SPARK-23074

答案 4 :(得分：2)

Spark Java API版本：

我已经实现了@Evgeny的solution，用于在Java中对DataFrames执行zipWithIndex，并希望共享代码。

它还包含@fylb在其solution中提供的改进。我可以为Spark 2.4确认，当spark_partition_id（）返回的条目不是以0开头或没有顺序增加时，执行将失败。由于此函数documented是不确定的，因此很可能发生上述情况之一。增加分区数触发了一个例子。

Java实现如下：

public static Dataset<Row> zipWithIndex(Dataset<Row> df, Long offset, String indexName) {
        Dataset<Row> dfWithPartitionId = df
                .withColumn("partition_id", spark_partition_id())
                .withColumn("inc_id", monotonically_increasing_id());

        Object partitionOffsetsObject = dfWithPartitionId
                .groupBy("partition_id")
                .agg(count(lit(1)).alias("cnt"), first("inc_id").alias("inc_id"))
                .orderBy("partition_id")
                .select(col("partition_id"), sum("cnt").over(Window.orderBy("partition_id")).minus(col("cnt")).minus(col("inc_id")).plus(lit(offset).alias("cnt")))
                .collect();
        Row[] partitionOffsetsArray = ((Row[]) partitionOffsetsObject);
        Map<Integer, Long> partitionOffsets = new HashMap<>();
        for (int i = 0; i < partitionOffsetsArray.length; i++) {
            partitionOffsets.put(partitionOffsetsArray[i].getInt(0), partitionOffsetsArray[i].getLong(1));
        }

        UserDefinedFunction getPartitionOffset = udf(
                (partitionId) -> partitionOffsets.get((Integer) partitionId), DataTypes.LongType
        );

        return dfWithPartitionId
                .withColumn("partition_offset", getPartitionOffset.apply(col("partition_id")))
                .withColumn(indexName, col("partition_offset").plus(col("inc_id")))
                .drop("partition_id", "partition_offset", "inc_id");
    }

答案 5 :(得分：1)

@Evgeny，your solution很有意思。请注意，当您有空分区时（存在缺少这些分区索引的数组，至少这种情况发生在我的火花1.6中），就会出现错误，所以我将数组转换为Map（partitionId - ＆gt;偏移）。

另外，我从monotonically_increasing_id的来源中取出了每个分区中从0开始的“inc_id”。

以下是更新版本：

import org.apache.spark.sql.catalyst.expressions.LeafExpression
import org.apache.spark.sql.catalyst.InternalRow
import org.apache.spark.sql.types.LongType
import org.apache.spark.sql.catalyst.expressions.Nondeterministic
import org.apache.spark.sql.catalyst.expressions.codegen.GeneratedExpressionCode
import org.apache.spark.sql.catalyst.expressions.codegen.CodeGenContext
import org.apache.spark.sql.types.DataType
import org.apache.spark.sql.DataFrame
import org.apache.spark.sql.functions._
import org.apache.spark.sql.Column
import org.apache.spark.sql.expressions.Window

case class PartitionMonotonicallyIncreasingID() extends LeafExpression with Nondeterministic {

  /**
   * From org.apache.spark.sql.catalyst.expressions.MonotonicallyIncreasingID
   *
   * Record ID within each partition. By being transient, count's value is reset to 0 every time
   * we serialize and deserialize and initialize it.
   */
  @transient private[this] var count: Long = _

  override protected def initInternal(): Unit = {
    count = 1L // notice this starts at 1, not 0 as in org.apache.spark.sql.catalyst.expressions.MonotonicallyIncreasingID
  }

  override def nullable: Boolean = false

  override def dataType: DataType = LongType

  override protected def evalInternal(input: InternalRow): Long = {
    val currentCount = count
    count += 1
    currentCount
  }

  override def genCode(ctx: CodeGenContext, ev: GeneratedExpressionCode): String = {
    val countTerm = ctx.freshName("count")
    ctx.addMutableState(ctx.JAVA_LONG, countTerm, s"$countTerm = 1L;")
    ev.isNull = "false"
    s"""
      final ${ctx.javaType(dataType)} ${ev.value} = $countTerm;
      $countTerm++;
    """
  }
}

object DataframeUtils {
  def zipWithIndex(df: DataFrame, offset: Long = 0, indexName: String = "index") = {
    // from https://stackoverflow.com/questions/30304810/dataframe-ified-zipwithindex)
    val dfWithPartitionId = df.withColumn("partition_id", spark_partition_id()).withColumn("inc_id", new Column(PartitionMonotonicallyIncreasingID()))

    // collect each partition size, create the offset pages
    val partitionOffsets: Map[Int, Long] = dfWithPartitionId
      .groupBy("partition_id")
      .agg(max("inc_id") as "cnt") // in each partition, count(inc_id) is equal to max(inc_id) (I don't know which one would be faster)
      .select(col("partition_id"), sum("cnt").over(Window.orderBy("partition_id")) - col("cnt") + lit(offset) as "cnt")
      .collect()
      .map(r => (r.getInt(0) -> r.getLong(1)))
      .toMap

    def partition_offset(partitionId: Int): Long = partitionOffsets(partitionId)
    val partition_offset_udf = udf(partition_offset _)
    // and re-number the index
    dfWithPartitionId
      .withColumn("partition_offset", partition_offset_udf(col("partition_id")))
      .withColumn(indexName, col("partition_offset") + col("inc_id"))
      .drop("partition_id")
      .drop("partition_offset")
      .drop("inc_id")
  }
}

答案 6 :(得分：1)

我已将@Tagar的版本修改为可在Python 3.7上运行，希望与大家分享： 

def dfZipWithIndex (df, offset=1, colName="rowId"):
'''
    Enumerates dataframe rows is native order, like rdd.ZipWithIndex(), but on a dataframe
    and preserves a schema

    :param df: source dataframe
    :param offset: adjustment to zipWithIndex()'s index
    :param colName: name of the index column
'''

new_schema = StructType(
                [StructField(colName,LongType(),True)]        # new added field in front
                + df.schema.fields                            # previous schema
            )

zipped_rdd = df.rdd.zipWithIndex()

new_rdd = zipped_rdd.map(lambda args: ([args[1] + offset] + list(args[0])))      # use this for python 3+, tuple gets passed as single argument so using args and [] notation to read elements within args
return spark.createDataFrame(new_rdd, new_schema)

答案 7 :(得分：1)

这是我的建议，其优点是：

  • 它不涉及我们DataFrame的{​​{1}}的任何序列化/反序列化 [1] 。
  • 通过仅依靠InternalRow来简化逻辑。

主要缺点是：

  • 不可能直接从非JVM API（pySpark，SparkR）中使用它。
  • 它必须在RDD.zipWithIndex下。

进口：

package org.apache.spark.sql;
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.catalyst.InternalRow
import org.apache.spark.sql.execution.LogicalRDD
import org.apache.spark.sql.functions.lit

[1] ：（从/到/** * Optimized Spark SQL equivalent of RDD.zipWithIndex. * * @param df * @param indexColName * @return `df` with a column named `indexColName` of consecutive unique ids. */ def zipWithIndex(df: DataFrame, indexColName: String = "index"): DataFrame = { import df.sparkSession.implicits._ val dfWithIndexCol: DataFrame = df .drop(indexColName) .select(lit(0L).as(indexColName), $"*") val internalRows: RDD[InternalRow] = dfWithIndexCol .queryExecution .toRdd .zipWithIndex() .map { case (internalRow: InternalRow, index: Long) => internalRow.setLong(0, index) internalRow } Dataset.ofRows( df.sparkSession, LogicalRDD(dfWithIndexCol.schema.toAttributes, internalRows)(df.sparkSession) ) 的基础字节数组<-> InternalRow的基础JVM对象集合GenericRow）。

相关问题
最新问题