按行索引拆分Spark数据帧

Question

我想按行顺序拆分数据帧。如果有100行，则期望分割成4个相等的数据帧应分别具有索引0-24、25-49、50-74和75-99。

唯一可用的预定义函数是randomSplit。但randomSplit在拆分之前会对数据进行随机化。我想到的另一种方法是使用count归约操作找到数据计数，然后使用take继续提取数据，但这非常昂贵。有没有其他方法可以在保持相同顺序的情况下实现上述目标？

Answer 1

您可以使用monotonically_increasing_id来获取行号(如果您还没有行号)，然后在行号窗口上使用ntile，以拆分成您想要的任意数量的分区：

from pyspark.sql.window import Window
from pyspark.sql.functions import monotonically_increasing_id, ntile

values = [(str(i),) for i in range(100)]
df = spark.createDataFrame(values, ('value',))

def split_by_row_index(df, num_partitions=4):
    # Let's assume you don't have a row_id column that has the row order
    t = df.withColumn('_row_id', monotonically_increasing_id())
    # Using ntile() because monotonically_increasing_id is discontinuous across partitions
    t = t.withColumn('_partition', ntile(num_partitions).over(Window.orderBy(t._row_id))) 
    return [t.filter(t._partition == i+1).drop('_row_id', '_partition') for i in range(partitions)]

[i.collect() for i in split_by_row_index(df)]