PySpark:加入后count()结果不一致

时间:2018-12-04 15:28:14

标签: apache-spark pyspark

我完全困惑于以下问题:

当我加入2个数据帧并返回行数时,每次尝试得到的计数都会略有不同。详细信息如下:

我想加入数据框:“ df_user_ids”和“ df_conversions”:

df_user_ids.show()
>>>
+--------------------+
|             user_id|
+--------------------+
|AMsySZY-cqcufnXst...|
|AMsySZY1Oo75A6vKU...|
|AMsySZY4nbqZiuEMR...|
|AMsySZY5RSfgj6Xvi...|
|AMsySZY5geAmTx0er...|
|AMsySZY6Gskv_kEAv...|
|AMsySZY6MIOyPWM4U...|
|AMsySZYCEZYS00UB9...| 

df_conversions.show()
>>>
+--------------------+----------------------+---------+
|             user_id|time_activity_observed|converted|
+--------------------+----------------------+---------+
|CAESEAl1YPOZpaWVx...|   2018-03-23 12:15:37|        1|
|CAESEAuvSBzmfc_f3...|   2018-03-23 21:58:25|        1|
|CAESEBXWsSYm4ntvR...|   2018-03-30 12:16:53|        1|
|CAESEC-5uPwWGFdnv...|   2018-03-23 08:52:48|        1|
|CAESEDB3Z-NNvz7zL...|   2018-03-24 21:37:05|        1|
|CAESEDu7S7rGTVlj2...|   2018-04-01 17:00:12|        1|
|CAESEE4s6g1-JlUEt...|   2018-03-23 19:32:23|        1|
|CAESEELlJt0mE2xjn...|   2018-03-24 18:26:15|        1|

两个数据帧都有一个名为“ user_id”的关键列, 两者都使用带有固定种子的“ .sampleBy()”创建:

.sampleBy("converted", fractions={0: 0.035, 1: 1}, seed=0)    

在我加入数据帧之前,我将它们持久保存到磁盘:

df_user_ids.persist(StorageLevel.DISK_ONLY)
df_conversions.persist(StorageLevel.DISK_ONLY) 

然后我验证两个数据帧的行数是否一致:

df_user_ids.count()
>>> 584309

df_user_ids.count()
>>> 584309

df_conversions.count()
>>> 5830

df_conversions.count()
>>> 5830

并检查两个数据框的关键列是否不包含重复项:

df_user_ids.count()
>>> 584309

df_user_ids.select('user_id').distinct().count()
>>> 584309

df_conversions.count()
>>> 5830

df_conversions.select('user_id').distinct().count()
>>> 5830

然后我加入它们时得到的行数不一致!

df_user_ids.join(df_conversions, ["user_id"], "left").count()
>>> 584314

df_user_ids.join(df_conversions, ["user_id"], "left").count()
>>> 584317

df_user_ids.join(df_conversions, ["user_id"], "left").count()
>>> 584304

这怎么可能?

有时,此加入计数高于“ df_user_ids.count()”,有时则更低。我正在EMR集群上的AWS EMR中使用Zeppelin笔记本来运行此代码。

我已经尝试了以下链接中的建议:

  • “。persist(StorageLevel.DISK_ONLY)”没有帮助。
  • 我不使用monotonically_increasing_id。

spark inconsistency when running count command

1 个答案:

答案 0 :(得分:0)

通过查看您在DataFrames上执行的一系列操作,我认为问题是由于Join引起的。联接操作会导致随机播放,其中每个节点都与其他每个节点通信,并且它们根据哪个节点具有某个键或一组键(要加入的键)共享数据。在执行程序之间共享数据时,如果执行程序没有将数据帧保留在磁盘上,它将重新计算DAG,并且不能保证sampleBy返回数据帧中相同比例的行。