可以在火花中重新分配影响第0阶段吗？

Question

我有按日期分区的数据集，并打算通过user_id读取和分组。

inputdata
  .groupBy(col("user_id"))
  .count

在我的工作阶段0，平均两次运行，大约需要30分钟。

如果我将代码更改为

inputdata
  .repartition(col("user_id"), 30)
  .groupBy(col("user_id"))
  .count

阶段0的运行时间减少到大约15分钟，再次平均两次运行。

这对我来说似乎完全不合逻辑。我希望，如果有的话，第0阶段的运行时间应该会增加。有没有人有任何见解？

背景资料：

• 开头有30个分区（30天的数据）。
• 大约60亿行。
• 大约14000000个用户ID。
• 以镶木地板格式运行存储在Hadoop集群中的数据。