spark mapPartitionsWithIndex处理空分区

Question

在mapPartitionsWithIndex中应该如何处理空分区？

可以找到完整的示例：https://gist.github.com/geoHeil/6a23d18ccec085d486165089f9f430f2

我的目标是通过RDD用最后一个好的已知值填充nan值，这是Spark/Scala的改进：用最后一次好的观察填充nan。

但有些分区不包含任何值：

###################### carry 
Map(2 -> None, 5 -> None, 4 -> None, 7 -> Some(FooBar(2016-01-04,lastAssumingSameDate)), 1 -> Some(FooBar(2016-01-01,first)), 3 -> Some(FooBar(2016-01-02,second)), 6 -> None, 0 -> None)
(2,None)
(5,None)
(4,None)
(7,Some(FooBar(2016-01-04,lastAssumingSameDate)))
(1,Some(FooBar(2016-01-01,first)))
(3,Some(FooBar(2016-01-02,second)))
(6,None)
(0,None)
()
###################### carry 
case class FooBar(foo: Option[Date], bar: String)
val myDf = Seq(("2016-01-01", "first"), ("2016-01-02", "second"),
("2016-wrongFormat", "noValidFormat"),
("2016-01-04", "lastAssumingSameDate"))
.toDF("foo", "bar")
.withColumn("foo", 'foo.cast("Date"))
.as[FooBar]
def notMissing(row: Option[FooBar]): Boolean = row.isDefined && row.get.foo.isDefined
myDf.rdd.filter(x => notMissing(Some(x))).count
val toCarry: Map[Int, Option[FooBar]] = myDf.rdd.mapPartitionsWithIndex { case (i, iter) => Iterator((i, iter.filter(x => notMissing(Some(x))).toSeq.lastOption)) }.collectAsMap

使用时

val toCarryBd = spark.sparkContext.broadcast(toCarry)
def fill(i: Int, iter: Iterator[FooBar]): Iterator[FooBar] = {
if (iter.isEmpty) {
iter
} else {
var lastNotNullRow: Option[FooBar] = toCarryBd.value.get(i).get
iter.map(foo => {
println("original ", foo)
if (!notMissing(Some(foo))) {
println("replaced")
// this will go into the default case
// FooBar(lastNotNullRow.getOrElse(FooBar(Option(Date.valueOf("2016-01-01")), "DUMMY")).foo, foo.bar)
FooBar(lastNotNullRow.get.foo, foo.bar) // TODO warning this throws an error
} else {
lastNotNullRow = Some(foo)
foo
}
})
}
}
val imputed: RDD[FooBar] = myDf.rdd.mapPartitionsWithIndex { case (i, iter) => fill(i, iter) }

要填充值，它将崩溃。

编辑

如果应用来自答案的输入，则输出。仍未达到100%

+----------+--------------------+
|       foo|                 bar|
+----------+--------------------+
|2016-01-01|               first|
|2016-01-02|              second|
|2016-01-04|       noValidFormat|
|2016-01-04|lastAssumingSameDate|
+----------+--------------------+

Answer 1

至于在处理mapPartitions(及类似程序)时处理空分区，一般方法是在有空输入迭代器时返回正确类型的空迭代器。

看起来你的代码正在这样做，但你的应用程序逻辑中似乎有一个错误(即，它假设如果一个分区有一个缺少值的记录，那么它要么在同一个分区中有一个前一行，这是好的，要么前一个分区不是空的，并且有一个好的行，这不一定是真的)。您已经部分解决了这个问题，方法是为每个分区收集上一个好值，然后如果在分区开始时没有好值，则在收集的数组中查找该值。

但是，如果这种情况也发生在上一个分区为空的同时，则需要查找上一个以前的分区值，直到找到要查找的分区为止。(请注意，这假设数据集中的第一条记录是有效的，如果不是，代码仍然会失败)。

您的解决方案非常接近工作，但只是有一些小假设，这些假设并不总是成立的。