创始人

2024-11-21 16:31:04

0次

可以使用Spark的repartition函数来对DataFrame进行重分区。可以设置分区数，但是通常最好将分区数保持在200以下，以避免出现大量小分区。在此基础上，可以根据一个高基数列的值来对数据框进行分区，以避免其中一列的值太过集中，分布不均匀。

代码示例：

读取数据

df = spark.read.csv("data.csv",header=True,inferSchema=True)

查看基数列

card_col = "column_name" cardinality = df.select(card_col).distinct().count() print("Cardinality of",card_col,"is",cardinality)

num_partitions = 2*df.rdd.getNumPartitions() if num_partitions>200: num_partitions = 200

df_repartitioned = df.repartition(num_partitions,card_col)

df_repartitioned.groupBy(card_col).count().orderBy("count",ascending=False).show()

前端-session、jwt 目录：（1）session （2&#x...

linux入门---制作进度条了解缓冲区我们首先来看看下面的操作：我们首先创建了一个文件并在这个文件里面添加了...

关于测试，我发现了哪些新大陆关于测试平常也只是听说过一些关于测试的术语，但并没有使用过测试工具。偶然看到编程老师...

前缀和与对数器与二分法 1. 前缀和假设有一个数组，我们想大量频繁的去访问L到R这个区间的和，...

nodejs：本地安装nvm实... 一、背景-使用不同版本node的原因 vue3+ts、nuxt3版本，node...

JAVA集合知识整理 Java集合知识整理 HashMap相关 HashMap的底层数据结构：jdk1.8之...

无刷直流电机介绍及单片机控制实... 无刷直流电机介绍及单片机控制实例前言基本概念优势与劣势使用寿命基本结构使用单片机控制实例电子调速器&...

fwdiary(2) dp2 1.传纸条 AcWing 275. 传纸条 - AcWing 走两条路，走一条最大的...

常用的DOS命令常用的DOS命令 DOS（Disk Operating System，磁...

＜C++＞类和对象(下) 1.const成员函数将const修饰的“成员函数”称之为const成员函数，cons...