[英]How to use approx_count_distinct to count distinct combinations of two columns in a Spark DataFrame?
[英]Difference between approxCountDsitinct and approx_count_distinct in spark functions
谁能说出pyspark.sql.functions.approxCountDistinct
(我知道它已被弃用)和pyspark.sql.functions.approx_count_distinct
之间的区别? 我在一个项目中使用过两个版本,体验过不同的价值观
正如您提到的, pyspark.sql.functions.approxCountDistinct
已弃用。 原因很可能只是风格问题。 他们可能希望所有东西都装在蛇壳里。 正如您在源代码中看到的那样pyspark.sql.functions.approxCountDistinct
只是调用pyspark.sql.functions.approx_count_distinct
,除了给您一个警告之外,仅此而已。 因此,无论您使用哪个,最终都会运行相同的代码。
此外,仍然根据源代码, approx_count_distinct
是基于HyperLogLog++算法的。 我不太熟悉该算法,但它基于重复的集合合并。 因此,结果很可能取决于合并执行者的各种结果的顺序。 由于这对 spark 来说不是确定性的,这可以解释为什么你会看到不同的结果。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.