Iskra vyberte stĺpec vráti odkaz starých dataframe

Question 1

Som použite nasledujúci kód:

random = [("ABC",xx, 1), 
          ("DEF",yy,1), 
          ("GHI",zz, 0) 
         ]
randomColumns = ["name","id", "male"]
randomDF = spark.createDataFrame(data=random, schema = randomColumns)
test_df = randomDF.select("name", "id")
test_df.filter(f.col("male") == '1').show()

Z uvedeného kódu som sa očakávať, že to mať za následok chybu, pretože na test_df i dont vyberte muž stĺpec z pôvodného dataframe. Prekvapivo uvedenú požiadavku beží v pohode bez akejkoľvek chyby a výstupy takto:

+---------+-------+
|name     |     id|
+---------+-------+
|      abc|     xx|
|      def|     yy|
+---------+-------+

Chcem pochopiť logiku za to, čo sa iskra je robiť. Podľa iskra dokumentácie Vyberte vráti nový dataframe. Potom prečo je stále možné používať mužské stĺpec od materskej dataframe.

Question 2

Je to spôsobené DAG generované Iskra. Niektorí operátori (alebo transformers) je lenivý-popravený, a tak ich pripraviť cestu pre Iskra optimalizovať DAG.

V tomto príklade sú dva zásadné kroky: select (alebo project v SQL je žargón） prvý, a filter neskôr. Ale v skutočnosti, keď vykonávať, filter po prvé, a potom select,, pretože to je efektívnejšie.

Toto si môžete overiť záver explain() metóda:

test_df.filter(f.col("flag") == '1').explain()

To bude výstup:

== Physical Plan ==
*(1) Project [dept_name#0, dept_id#1L]
+- *(1) Filter (isnotnull(flag#2L) AND (flag#2L = 1))
   +- *(1) Scan ExistingRDD[dept_name#0,dept_id#1L,flag#2L]

Question 3

Pridaním @chenzhongpu 's odpovedzte, prosím, na vedomie, že ak si definovať temp zobraziť na vrchole test_dfdotaz zlyhá:

test_df.createOrReplaceTempView("test_df")
spark.sql("select * from test_df where flag = 1").show()
_Traceback (most recent call last): ...
:
pyspark.sql.utils.AnalysisException: u"cannot resolve '`flag`' given input columns: [test_df.dept, test_df.id]; line 1 pos 24;
'Project [*]
 +- 'Filter ('flag = 1)
   +- SubqueryAlias `test_df`
      +- Project [dept#0, id#2L]
         +- LogicalRDD [dept#0, flag#1L, id#2L], false
 _

pretože ... select (=Project uzol v vykonávania plánu) bude predchádzať filter (pokúšali cez where doložka).

chenzhongpu · Answer 1 · 2021-11-24T01:29:03

Je to spôsobené DAG generované Iskra. Niektorí operátori (alebo transformers) je lenivý-popravený, a tak ich pripraviť cestu pre Iskra optimalizovať DAG.

V tomto príklade sú dva zásadné kroky: select (alebo project v SQL je žargón） prvý, a filter neskôr. Ale v skutočnosti, keď vykonávať, filter po prvé, a potom select,, pretože to je efektívnejšie.

Toto si môžete overiť záver explain() metóda:

test_df.filter(f.col("flag") == '1').explain()

To bude výstup:

== Physical Plan ==
*(1) Project [dept_name#0, dept_id#1L]
+- *(1) Filter (isnotnull(flag#2L) AND (flag#2L = 1))
   +- *(1) Scan ExistingRDD[dept_name#0,dept_id#1L,flag#2L]

mazaneicha · Answer 2 · 2021-11-24T14:25:52

Pridaním @chenzhongpu 's odpovedzte, prosím, na vedomie, že ak si definovať temp zobraziť na vrchole test_dfdotaz zlyhá:

test_df.createOrReplaceTempView("test_df")
spark.sql("select * from test_df where flag = 1").show()
_Traceback (most recent call last): ...
:
pyspark.sql.utils.AnalysisException: u"cannot resolve '`flag`' given input columns: [test_df.dept, test_df.id]; line 1 pos 24;
'Project [*]
 +- 'Filter ('flag = 1)
   +- SubqueryAlias `test_df`
      +- Project [dept#0, id#2L]
         +- LogicalRDD [dept#0, flag#1L, id#2L], false
 _

pretože ... select (=Project uzol v vykonávania plánu) bude predchádzať filter (pokúšali cez where doložka).

Iskra vyberte stĺpec vráti odkaz starých dataframe

Otázka

Najlepšiu odpoveď

V iných jazykoch

Táto stránka je v iných jazykoch

Populárne v tejto kategórii

Obľúbené otázky v tejto kategórii