[英]pyspark memory-efficient loop to add indicator columns to dataframe
有没有办法将以下代码转换为利用for
循环中的 pyspark 并行化的代码?
import pyspark.sql.functions as F
my_list_of_integers = list(df_column_of_integers.select('column_name').toPandas()['column_name'])
for my_int in my_list_of_integers:
temp_df = large_df1.filter(large_df1.a_value_column == my_int)
temp_df = temp_df.select("a_key_column")
temp_df = temp_df.withColumn("indicator" + str(my_int), F.lit(1))
large_df2 = large_df2.join(temp_df, on="a_key_column", how="left")
经过 7 次for
循环(目标是 185)后,代码失败并给出以下错误消息:
org.apache.spark.memory.SparkOutOfMemoryError: Unable to acquire 52 bytes of memory, got 0
我正在使用的系统报告的另一条错误消息建议如何解决该问题:
您的作业已超出 memory 开销。 您的代码可能试图完全在一个执行器上运行,如果您没有使用 pySpark,就会发生这种情况; 例如,如果您使用的是 Pandas 或 UDF。
对于一个简单的工作示例,这里是示例输入和来自此示例输入的预期 output 的可视化:
样本输入:
df_column_of_integers = spark.createDataFrame([10, 11, 13], IntegerType()).toDF('column_name')
df1_key_column = [52, 52, 53, 53, 52, 52]
a_value_column = [9, 13, 10, 11, 12, 10]
large_df1 = sqlContext.createDataFrame(zip(df1_key_column, a_value_column), schema=['a_key_column', 'a_value_column'])
large_df2 = spark.createDataFrame([52, 54, 53], IntegerType()).toDF('a_key_column')
预期的 output(即上面简单示例的 large_df2 的最终版本):
+--------------+-------------+-------------+-------------+
| a_key_column| indicator10| indicator11| indicator13|
+--------------+-------------+-------------+-------------+
| 52| 1| NULL| 1|
| 54| NULL| NULL| NULL|
| 53| 1| 1| NULL|
+--------------+-------------+-------------+-------------+
实际上,我的 df_column_of_integers 有 185 个条目。 large_df1 在for
循环的第一步被过滤之前有 8200 万行和 2 列,在该过滤器之后最多有 90 万行。 large_df2 以 90 万行和 33 列开始(其中 23 个是整数)。 从详细的错误消息来看,似乎是在加入期间发生了错误。 但是,我过去在这个系统上加入了更大的数据集,而不是在 Pandas 列表上的for
循环中,所以它让我认为问题的根源是使用了 Pandas 列表,它提示使用单个执行程序。 因此,我认为可能会有更好的循环技术,有人可能知道。
I tried using.foreach with a lambda function, as described here: https://sparkbyexamples.com/pyspark/pyspark-loop-iterate-through-rows-in-dataframe/ , but I cannot figure out how to add large_df1 and large_df2作为 lambda function 的附加输入。 而且我不认为。map 会有所帮助,因为我不想编辑 my_list_of_integers,只想对其值进行交互。
先感谢您!
我解决了我的问题:我将for
循环中的所有内容替换为:
import pyspark.sql.functions as F
large_df1 = large_df1.filter(large_df1.a_value_column.isin(my_list_of_integers))
large_df1 = large_df1.withColumn("my_value". F.lit(1))
large_df1 = large_df1.groupBy("a_key_column").pivot("a_value_column", my_list_of_integers).agg(F.first(F.col("my_value")))
large_df2 = large_df2.join(large_df1, on="a_key_column", how="left")
关键步骤是使用pivot
。 新代码运行方便快捷。
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.