如何使用sparklyr行绑定两个Spark数据帧？

Question

我尝试了以下操作以行绑定两个Spark数据帧，但给出了错误消息

library(sparklyr)
library(dplyr)
sc <- spark_connect(master = "local")
iris_tbl <- copy_to(sc, iris)
iris_tbl1 <- copy_to(sc, iris, "iris1")

iris_tbl2 = bind_rows(iris_tbl, iris_tbl1)

将两个Spark数据帧绑定在一起的最有效方法是什么？

Answer 1

您可以使用dplyr::union_all

dplyr::union_all(iris_tbl1, iris_tbl1)

或sparklyr::sdf_bind_rows：

sdf_bind_rows(
  iris_tbl %>% select(-Sepal_Length),
  iris_tbl1 %>% select(-Petal_Length)
)

如果架构兼容，但列的顺序不匹配，您也可以使用Spark自己的unionByName。

sdf_union_by_name <- function(x, y) {
  invoke(spark_dataframe(x), "unionByName", spark_dataframe(y)) %>% 
    sdf_register()
}

sdf_union_by_name(
  iris_tbl %>% select(Sepal_Length, Petal_Length),
  iris_tbl %>% select(Petal_Length, Sepal_Length)
)