我正在一个有数百万条记录的数据集上运行groupBy()，并希望保存结果输出（PySpark GroupedData对象），以便以后可以对其进行反序列化并从那时开始继续（根据需要在其上运行聚合）。
df.groupBy("geo_city")
<pyspark.sql.group.GroupedData at 0x10503c5d0>
我希望避免将GroupedData对象转换为DataFrames或RDD，以便将其保存为文本文件或Parquet/Avro格式（因为转换操作很昂贵）。有没有其他有效的方法可以将GroupedData对象存储为某种二进制格式，以实现更快的读/写？可能相当于《星火》中的泡菜？
没有，因为GroupedData并不是一个真正的东西。它根本不对数据执行任何操作。它只描述了当您对后续agg的结果执行操作时，实际聚合应该如何进行。
您可能会序列化底层JVM对象并稍后恢复它，但这是浪费时间。由于groupBy只描述了必须执行的操作，因此从头开始重新创建GroupedData对象的成本应该可以忽略不计。