我试图找出在Spark数据帧列中获得最大值的最佳方法。
请考虑以下示例:
df = spark.createDataFrame([(1., 4.), (2., 5.), (3., 6.)], ["A", "B"])
df.show()
它创造了:
+---+---+
| A| B|
+---+---+
|1.0|4.0|
|2.0|5.0|
|3.0|6.0|
+---+---+
我的目标是在A列中找到最大的值(通过检查,这是3.0)。使用PySpark,我可以想到四种方法:
# Method 1: Use describe()
float(df.describe("A").filter("summary = 'max'").select("A").first().asDict()['A'])
# Method 2: Use SQL
df.registerTempTable("df_table")
spark.sql("SELECT MAX(A) as maxval FROM df_table").first().asDict()['maxval']
# Method 3: Use groupby()
df.groupby().max('A').first().asDict()['max(A)']
# Method 4: Convert to RDD
df.select("A").rdd.max()[0]
上面的每一个都给出了正确的答案,但是在没有火花分析工具的情况下,我无法判断哪一个是最好的。
从直觉或经验主义的观点来看,上述哪种方法在Spark运行时或资源使用方面最有效,或者是否有比上述方法更直接的方法?
备注:Spark的目标是研究大数据分布式计算。示例数据帧的大小非常小,因此可以相对于小示例更改实际示例的顺序。
最慢:方法1,因为.descripe(“A”)计算min、max、mean、stddev和count(整列5次计算)
Medium:Method_4,因为.rdd(DF到rdd转换)减慢了进程。
更快:Method_3~ Method_2~ Method_5,因为逻辑非常相似,所以Spark的catalyst优化器以最少的操作数遵循非常相似的逻辑(获取特定列的最大值,收集单个值的数据帧);(.asDict()比3,2到5多了一点时间)
群集边缘节点上的结果(毫秒):
小DF(ms):{'m1':7096,'m2':205,'m3':165,'m4':211,'m5':180}
较大的DF(ms):{'m1':10260,'m2':452,'m3':465,'m4':916,'m5':373}
使用-
your_max_value = df.agg({"your-column": "max"}).collect()[0][0]
答案几乎与方法3相同。但似乎method3中的“asDict()”可以删除
相关问题 更多 >
编程相关推荐