Question

我想以确定性的方式随机排序数据框。我认为实现此目的的方法是将pyCUDA与种子函数orderBy一起使用。但是，我发现这在不同的机器上是不确定的。例如，考虑以下代码：

rand

当我在本地计算机上运行它时，它会打印

from pyspark.sql import types as T, functions as F
df = spark.createDataFrame(range(10), T.IntegerType())
df = df.orderBy(F.rand(seed=123))
print(df.show())

但是在EC2实例上，它会打印

+-----+
|value|
+-----+
|    3|
|    4|
|    9|
|    7|
|    8|
|    0|
|    5|
|    6|
|    2|
|    1|
+-----+

即使在不同的计算机上运行，如何获得确定性的随机排序？

我的pyspark版本是2.4.1

编辑：顺便说一句，我应该补充一点，就是+-----+ |value| +-----+ | 9| | 5| | 6| | 7| | 0| | 1| | 4| | 8| | 3| | 2| +-----+会在两台计算机上产生相同的输出，因此，df.select(F.rand(seed=123)).show()的组合尤其存在问题和orderBy。

Answer 1

感谢您提供的其他编辑信息！事实证明这是一个非常重要的线索。

问题

我认为这里的问题是，您将一个伪随机生成的列附加到一个已经随机排列的数据集上，并且现有的随机性不是确定性的，因此附加另一个随机性来源确定性没有帮助。

您可以通过改写orderBy呼叫来验证这一点，例如：

df.withColumn('order', F.rand(seed=123)).orderBy(F.col('order').asc())

如果我是对的，您会在两台计算机上看到相同的随机值，但是它们将附加到不同的行：随机值附加到行的顺序是随机的！

解决方案

如果是真的，解决方案应该非常简单：在顶部应用随机（但仍是确定性）顺序之前，对“真实”值应用确定性，非随机排序。

df.orderBy(F.col('value').asc()).withColumn('order', F.rand(seed=123)).orderBy(F.col('order').asc())

应该在两台机器上产生相似的输出。我的结果：

+-----+-------------------+
|value|              order|
+-----+-------------------+
|    4|0.13617504799810343|
|    5|0.13778573503201175|
|    6|0.15367835411103337|
|    9|0.43774287147238644|
|    0| 0.5029534413816527|
|    1| 0.5230701153994686|
|    7|  0.572063607751534|
|    8| 0.7689696831405166|
|    3|   0.82540915099773|
|    2| 0.8535692890157796|
+-----+-------------------+

如何在pyspark中获得确定性随机排序？

1 个答案:

问题

解决方案