我正在尝试按DataFrame的一列分组,并在每个结果组中生成BigDecimal列的min
和max
值。结果总是产生很小的值(大约为0)。
(对Double列进行类似的min/max
调用会产生预期的非零值。)
作为一个简单的例子:
如果我创建以下DataFrame:
import org.apache.spark.sql.{functions => f}
case class Foo(group: String, bd_value: BigDecimal, d_value: Double)
val rdd = spark.sparkContext.parallelize(Seq(
Foo("A", BigDecimal("1.0"), 1.0),
Foo("B", BigDecimal("10.0"), 10.0),
Foo("B", BigDecimal("1.0"), 1.0),
Foo("C", BigDecimal("10.0"), 10.0),
Foo("C", BigDecimal("10.0"), 10.0),
Foo("C", BigDecimal("10.0"), 10.0)
))
val df = rdd.toDF()
在Double或BigDecimal列中选择max
将返回预期结果:
df.select(f.max("d_value")).show()
// +------------+
// |max(d_value)|
// +------------+
// | 10.0|
// +------------+
df.select(f.max("bd_value")).show()
// +--------------------+
// | max(bd_value)|
// +--------------------+
// |10.00000000000000...|
// +--------------------+
但是,如果我按分组方式进行汇总,则Double列的结果将是合理的,而BigDecimal列的值将接近零:
df.groupBy("group").agg(f.max("d_value")).show()
// +-----+------------+
// |group|max(d_value)|
// +-----+------------+
// | B| 10.0|
// | C| 10.0|
// | A| 1.0|
// +-----+------------+
df.groupBy("group").agg(f.max("bd_value")).show()
// +-----+-------------+
// |group|max(bd_value)|
// +-----+-------------+
// | B| 1.00E-16|
// | C| 1.00E-16|
// | A| 1.0E-17|
// +-----+-------------+
为什么在这些min/max
调用中spark会返回零结果?
答案 0 :(得分:2)
Spark如何对待BigDecimals
的比例似乎存在不一致的地方,这在问题中所示的特定情况下很明显。代码的行为就像是使用BigDecimal
对象的比例将Long
转换为未缩放的BigDecimal
,然后使用架构的比例转换回BigDecimal
。
这可以通过以下任一方式解决:
BigDecimal
明确设置所有setScale
值的比例,以匹配DataFrame的架构,或者这就是我认为使用Spark 2.4.0的机器上正在发生的事情。
在groupBy.max
情况下,Spark正在经历UnsafeRow并将BigDecimal
转换为未缩放的 Long
并将其存储为字节this行的setDecimal
中的数组(已通过print语句验证)。然后,当稍后调用getDecimal时,它将使用模式中指定的标度 将字节数组转换回BigDecimal
。
如果原始值的比例与架构中的比例不匹配,则将导致错误的值。例如,
val foo = BigDecimal(123456)
foo.scale
0
val bytes = foo.underlying().unscaledValue().toByteArray()
// convert the bytes into BigDecimal using the original scale -- correct value
val sameValue = BigDecimal(new java.math.BigInteger(bytes), 0)
sameValue: scala.math.BigDecimal = 123456
// convert the bytes into BigDecimal using scale 18 -- wrong value
val smaller = BigDecimal(new java.math.BigInteger(bytes), 18)
smaller: scala.math.BigDecimal = 1.23456E-13
如果仅选择bd_value
列的最大值,Spark似乎不会通过setDecimal
。我尚未证实原因,或去向何方。
但是,这将解释问题中观察到的值。使用相同的案例类Foo
:
// This BigDecimal has scale 0
val rdd = spark.sparkContext.parallelize(Seq(Foo("C", BigDecimal(123456), 123456.0)))
// And shows with scale 0 in the DF
rdd.toDF.show
+-----+--------+--------+
|group|bd_value| d_value|
+-----+--------+--------+
| C| 123456|123456.0|
+-----+--------+--------+
// But the schema has scale 18
rdd.toDF.printSchema
root
|-- group: string (nullable = true)
|-- bd_value: decimal(38,18) (nullable = true)
|-- d_value: double (nullable = false)
// groupBy + max corrupts in the same way as converting to bytes via unscaled, then to BigDecimal with scale 18
rdd.groupBy("group").max("bd_value").show
+-----+-------------+
|group|max(bd_value)|
+-----+-------------+
| C| 1.23456E-13|
+-----+-------------+
// This BigDecimal is forced to have the same scale as the inferred schema
val rdd = spark.sparkContext.parallelize(Seq(Foo("C",BigDecimal(123456).setScale(18), 123456.0)))
// verified the scale is 18 in the DF
+-----+--------------------+--------+
|group| bd_value| d_value|
+-----+--------------------+--------+
| C|123456.0000000000...|123456.0|
+-----+--------------------+--------+
// And it works as expected
rdd1.groupBy("group").max("bd_value").show
+-----+--------------------+
|group| max(bd_value)|
+-----+--------------------+
| C|123456.0000000000...|
+-----+--------------------+
这也可以解释为什么从注释中观察到,当从带有显式架构的RDD [Row]转换时,它可以正常工作。
val rdd2 = spark.sparkContext.parallelize(Seq(Row("C", BigDecimal(123456), 123456.0)))
// schema has BigDecimal scale 18
val schema = StructType(Seq(StructField("group", StringType, true), StructField("bd_value", DecimalType(38,18), true), StructField("d_value",DoubleType,false)))
// createDataFrame interprets the value into the schema's scale
val df = spark.createDataFrame(rdd2, schema)
df.show
+-----+--------------------+--------+
|group| bd_value| d_value|
+-----+--------------------+--------+
| C|123456.0000000000...|123456.0|
+-----+--------------------+--------+