我有一个像下面这样的pyspark.sql.dataframe.DataFrame
df.show()
+--------------------+----+----+---------+----------+---------+----------+---------+
| ID|Code|bool| lat| lon| v1| v2| v3|
+--------------------+----+----+---------+----------+---------+----------+---------+
|5ac52674ffff34c98...|IDFA| 1|42.377167| -71.06994|17.422535|1525319638|36.853622|
|5ac52674ffff34c98...|IDFA| 1| 42.37747|-71.069824|17.683573|1525319639|36.853622|
|5ac52674ffff34c98...|IDFA| 1| 42.37757| -71.06942|22.287935|1525319640|36.853622|
|5ac52674ffff34c98...|IDFA| 1| 42.37761| -71.06943|19.110023|1525319641|36.853622|
|5ac52674ffff34c98...|IDFA| 1|42.377243| -71.06952|18.904774|1525319642|36.853622|
|5ac52674ffff34c98...|IDFA| 1|42.378254| -71.06948|20.772903|1525319643|36.853622|
|5ac52674ffff34c98...|IDFA| 1| 42.37801| -71.06983|18.084948|1525319644|36.853622|
|5ac52674ffff34c98...|IDFA| 1|42.378693| -71.07033| 15.64326|1525319645|36.853622|
|5ac52674ffff34c98...|IDFA| 1|42.378723|-71.070335|21.093477|1525319646|36.853622|
|5ac52674ffff34c98...|IDFA| 1| 42.37868| -71.07034|21.851894|1525319647|36.853622|
|5ac52674ffff34c98...|IDFA| 1|42.378716| -71.07029|20.583202|1525319648|36.853622|
|5ac52674ffff34c98...|IDFA| 1| 42.37872| -71.07067|19.738768|1525319649|36.853622|
|5ac52674ffff34c98...|IDFA| 1|42.379112| -71.07097|20.480911|1525319650|36.853622|
|5ac52674ffff34c98...|IDFA| 1| 42.37952| -71.0708|20.526752|1525319651| 44.93808|
|5ac52674ffff34c98...|IDFA| 1| 42.37902| -71.07056|20.534052|1525319652| 44.93808|
|5ac52674ffff34c98...|IDFA| 1|42.380203| -71.0709|19.921381|1525319653| 44.93808|
|5ac52674ffff34c98...|IDFA| 1| 42.37968|-71.071144| 20.12599|1525319654| 44.93808|
|5ac52674ffff34c98...|IDFA| 1|42.379696| -71.07114|18.760069|1525319655| 36.77853|
|5ac52674ffff34c98...|IDFA| 1| 42.38011| -71.07123|19.155525|1525319656| 36.77853|
|5ac52674ffff34c98...|IDFA| 1| 42.38022| -71.0712|16.978994|1525319657| 36.77853|
+--------------------+----+----+---------+----------+---------+----------+---------+
only showing top 20 rows
如果尝试count
%%time
df.count()
CPU times: user 4 ms, sys: 0 ns, total: 4 ms
Wall time: 28.1 s
30241272
现在，如果我取一部分df计数的时间甚至更长。
id0 = df.first().ID ## First ID
tmp = df.filter( (df['ID'] == id0) )
%%time
tmp.count()
CPU times: user 12 ms, sys: 0 ns, total: 12 ms
Wall time: 1min 33s
Out[6]:
3299
你的问题非常棘手和棘手。
我用一个大型数据集进行了测试，以重现您的行为。
问题描述
我在大型数据集中测试了以下两种情况：
# Case 1
df.count() # Execution time: 37secs
# Case 2
df.filter((df['ID'] == id0)).count() #Execution time: 1.39 min
解释
让我们看看只有.count()的物理计划：
== Physical Plan ==
*(2) HashAggregate(keys=[], functions=[count(1)], output=[count#38L])
+- Exchange SinglePartition
+- *(1) HashAggregate(keys=[], functions=[partial_count(1)], output=[count#41L])
+- *(1) FileScan csv [] Batched: false, Format: CSV, Location: InMemoryFileIndex[file:...], PartitionFilters: [], PushedFilters: [], ReadSchema: struct<>
让我们看看.filter()的物理计划，然后.count()：
== Physical Plan ==
*(2) HashAggregate(keys=[], functions=[count(1)], output=[count#61L])
+- Exchange SinglePartition
+- *(1) HashAggregate(keys=[], functions=[partial_count(1)], output=[count#64L])
+- *(1) Project
+- *(1) Filter (isnotnull(ID#11) && (ID#11 = Muhammed MacIntyre))
+- *(1) FileScan csv [ID#11] Batched: false, Format: CSV, Location: InMemoryFileIndex[file:...], PartitionFilters: [], PushedFilters: [IsNotNull(ID), EqualTo(ID,Muhammed MacIntyre)], ReadSchema: struct<_c1:string>
通常，Spark 在计算行数时映射行数 count=1 和减少所有映射器以创建最终的行数。
在案例 2中，Spark 必须首先过滤，然后为每个分区创建部分计数，然后有另一个阶段将这些计数汇总在一起。因此，对于相同的行，在第二种情况下，Spark 也会进行过滤，这会影响大型数据集中的计算时间。Spark是一个分布式处理框架，没有像Pandas这样的索引，它可以非常快速地进行过滤，而无需传递所有行。
总结
在这种简单的情况下，您无法做很多事情来改善执行时间。 您可以使用不同的配置设置(例如#spark.sql.shuffle.partitions，# spark.default.parallelism，# of executors，# executor memory等(尝试应用程序。
这是因为 Spark 是延迟评估的。当你调用tmp.count((时，这是一个操作步骤。换句话说，tmp.count 的时间还包括过滤时间。如果要真正比较这两个计数，请尝试以下操作：
%%time
df.count()
id0 = df.first().ID ## First ID
tmp = df.filter( (df['ID'] == id0) )
tmp.persist().show()
%%time
tmp.count()
这里的重要组件是执行计数之前的tmp.persist((.show((。这将执行筛选器并缓存结果。这样，tmp.count(( 只包含实际的计数时间。