如何使用 pyspark 从 Spark 中批量获取行

Question

我有一个包含超过 60 亿行数据的 Spark RDD，我想使用 train_on_batch 来训练深度学习模型。 我无法将所有行都放入内存中，因此我想一次获得 10K 左右的数据以批量处理成 64 或 128 块（取决于模型大小）。 我目前正在使用 rdd.sample() 但我认为这不能保证我会获得所有行。 是否有更好的方法来分区数据以使其更易于管理，以便我可以编写生成器函数来获取批次？ 我的代码如下：

data_df = spark.read.parquet(PARQUET_FILE)
print(f'RDD Count: {data_df.count()}') # 6B+
data_sample = data_df.sample(True, 0.0000015).take(6400) 
sample_df = data_sample.toPandas()

def get_batch():
  for row in sample_df.itertuples():
    # TODO: put together a batch size of BATCH_SIZE
    yield row

for i in range(10):
    print(next(get_batch()))

Answer 1

我不相信 spark 让您对数据进行偏移或分页。

但是您可以添加一个索引，然后对其进行分页，首先：

    from pyspark.sql.functions import lit
    data_df = spark.read.parquet(PARQUET_FILE)
    count = data_df.count()
    chunk_size = 10000

    # Just adding a column for the ids
    df_new_schema = data_df.withColumn('pres_id', lit(1))

    # Adding the ids to the rdd 
    rdd_with_index = data_df.rdd.zipWithIndex().map(lambda (row,rowId): (list(row) + [rowId+1]))

    # Creating a dataframe with index
    df_with_index = spark.createDataFrame(chunk_rdd,schema=df_new_schema.schema)

    # Iterating into the chunks
    for chunk_size in range(0,count+1 ,chunk_size):
        initial_page = page_num*chunk_size
        final_page = initial_page + chunk_size 
        where_query = ('pres_id > {0} and pres_id <= {1}').format(initial_page,final_page)
        chunk_df = df_with_index.where(where_query).toPandas()
        train_on_batch(chunk_df) # <== Your function here        

这不是最佳选择，由于使用了熊猫数据框，它会严重利用 spark，但可以解决您的问题。

如果这会影响您的功能，请不要忘记删除 id。

Answer 2

尝试这个：

 from pyspark.sql import functions as F
 sample_dict = {}

 # Read the parquet file
 df = spark.read.parquet("parquet file")

 # add the partition_number as a column
 df = df.withColumn('partition_num', F.spark_partition_id())
 df.persist()

 total_partition = [int(row.partition_num) for row in 
 df.select('partition_num').distinct().collect()]

 for each_df in total_partition:
     sample_dict[each_df] = df.where(df.partition_num == each_df) 

Answer 3

我了解到您正计划训练深度学习模型。 看看正是为此用例创建的 Petastorm 开源库。

https://docs.databricks.com/applications/machine-learning/load-data/petastorm.html

Petastorm是一个开源数据访问库。 该库支持直接从 Apache Parquet 格式的数据集和已作为 Apache Spark DataFrames 加载的数据集对深度学习模型进行单节点或分布式训练和评估。 Petastorm 支持流行的基于 Python 的机器学习 (ML) 框架，例如 Tensorflow、PyTorch 和 PySpark。 有关 Petastorm 的更多信息，请参阅 Petastorm GitHub 页面和Petastorm API 文档。