火花数据框到嵌套地图

Question

如何将Spark中相当小的数据框（最大300 MB）转换为嵌套地图，以改善Spark的DAG。我相信，由于在自定义估算器的火车步骤中创建了转换值，因此此操作将比以后的连接更快（Spark Dynamic DAG慢得多，并且与硬编码DAG不同）。现在，我只想在管道的预测步骤中真正快速应用它们。

val inputSmall = Seq(
    ("A", 0.3, "B", 0.25),
    ("A", 0.3, "g", 0.4),
    ("d", 0.0, "f", 0.1),
    ("d", 0.0, "d", 0.7),
    ("A", 0.3, "d", 0.7),
    ("d", 0.0, "g", 0.4),
    ("c", 0.2, "B", 0.25)).toDF("column1", "transformedCol1", "column2", "transformedCol2")

这给出了错误类型的地图

val inputToMap = inputSmall.collect.map(r => Map(inputSmall.columns.zip(r.toSeq):_*))

我宁愿想要：

Map[String, Map[String, Double]]("column1" -> Map("A" -> 0.3, "d" -> 0.0, ...), "column2" -> Map("B" -> 0.25), "g" -> 0.4, ...)

Answer 1

编辑：从最终地图中删除了收集操作

如果您使用的是Spark 2 ，则是一个建议：

val inputToMap = inputSmall.select(
  map($"column1", $"transformedCol1").as("column1"),
  map($"column2", $"transformedCol2").as("column2")
)
val cols = inputToMap.columns
val localData = inputToMap.collect
cols.map { colName => 
  colName -> localData.flatMap(_.getAs[Map[String, Double]](colName)).toMap
}.toMap

Answer 2

我不确定我遵循动机，但我认为这是您的结果的转变：

// collect from DF (by your assumption - it is small enough)
val data: Array[Row] = inputSmall.collect()
// Create the "column pairs" -
// can be replaced with hard-coded value: List(("column1", "transformedCol1"), ("column2", "transformedCol2"))
val columnPairs: List[(String, String)] = inputSmall.columns
  .grouped(2)
  .collect { case Array(k, v) => (k, v) }
  .toList
// for each pair, get data and group it by left-column's value, choosing first match
val result: Map[String, Map[String, Double]] = columnPairs
  .map { case (k, v) => k -> data.map(r => (r.getAs[String](k), r.getAs[Double](v))) }
  .toMap
  .mapValues(l => l.groupBy(_._1).map { case (c, l2) => l2.head })
result.foreach(println)
// prints: 
// (column1,Map(A -> 0.3, d -> 0.0, c -> 0.2))
// (column2,Map(d -> 0.7, g -> 0.4, f -> 0.1, B -> 0.25))