我如何命名通过以下方式放入缓存的Spark DataFrame（df）：
df.persist()？
OR
如何使用spark.catalog.cacheTable（“ df”）指定放入缓存中的StorageLevel中的df？
使用以下方法缓存df：
df.persist(StorageLevel.DISK_ONLY)
df.count()
将高速缓存中的DataFrame命名为整个物理计划的文本，如df.explain()所示。但是，我可以指定StorageLevel。
而：
df.createOrReplaceTempView("df")
spark.catalog.cacheTable("df")
df.count()
缓存中DataFrame的名称只是“内存表df”，在Spark UI或列表[s.name() for s in sc._jsc.sc().getRDDStorageInfo()]中更容易识别。 （如果需要，可以用df来命名df_rdd_id = "df_{}".format(df.rdd.id())并创建视图并以此来缓存表。）但是，我不能指定StorageLevel。
我尝试将两者混合使用，但以下两种方法均未达到我想要的效果。
以下名称与物理规划中的名称df相对，但正确的StorageLevel。
df.createOrReplaceTempView("df")
df.persist(StorageLevel.DISK_ONLY)
df.count()
以下将df命名为“ df”，但得到的StorageLevel错误。
df.createOrReplaceTempView("df")
df.persist(StorageLevel.DISK_ONLY)
spark.catalog.cacheTable("df")
请注意，无论将df放入缓存中的方法是哪种，都可以从缓存中删除df。
例如df缓存有：
df.persist(StorageLevel.DISK_ONLY)
df.count()
可以使用以下方法从缓存中删除：
df.createOrReplaceTempView("df")
spark.catalog.uncacheTable("df")
同样，df缓存有：
df.createOrReplaceTempView("df")
spark.catalog.cacheTable("df")
可以使用以下方法从缓存中删除：
df.unpersist()
还要注意，在pySpark中，对于persist() StorageLevel常量：“所有常量都使用序列化格式”（pySpark 2.2.0 Docs）。我通过将StorageLevel设置为DISK_ONLY，MEMORY_ONLY或MEMORY_AND_DISK来验证这一点；并且Spark UI“存储”标签中的“存储级别”始终报告“序列化1x已复制”。
spark.catalog.cacheTable将数据缓存在“反序列化1x复制”中，也可以在Spark UI中进行验证。