Primære nøgler med Apache Spark

Scala :

Hvis alt du behøver er unikke numre, kan du bruge zipWithUniqueId og genskabe DataFrame. Først nogle importer og dummy-data:

import sqlContext.implicits._
import org.apache.spark.sql.Row
import org.apache.spark.sql.types.{StructType, StructField, LongType}

val df = sc.parallelize(Seq(
    ("a", -1.0), ("b", -2.0), ("c", -3.0))).toDF("foo", "bar")

Udpak skema til yderligere brug:

val schema = df.schema

Tilføj id-felt:

val rows = df.rdd.zipWithUniqueId.map{
   case (r: Row, id: Long) => Row.fromSeq(id +: r.toSeq)}

Opret DataFrame:

val dfWithPK = sqlContext.createDataFrame(
  rows, StructType(StructField("id", LongType, false) +: schema.fields))

Det samme i Python :

from pyspark.sql import Row
from pyspark.sql.types import StructField, StructType, LongType

row = Row("foo", "bar")
row_with_index = Row(*["id"] + df.columns)

df = sc.parallelize([row("a", -1.0), row("b", -2.0), row("c", -3.0)]).toDF()

def make_row(columns):
    def _make_row(row, uid):
        row_dict = row.asDict()
        return row_with_index(*[uid] + [row_dict.get(c) for c in columns])
    return _make_row

f = make_row(df.columns)

df_with_pk = (df.rdd
    .zipWithUniqueId()
    .map(lambda x: f(*x))
    .toDF(StructType([StructField("id", LongType(), False)] + df.schema.fields)))

Hvis du foretrækker fortløbende nummer, kan du erstatte zipWithUniqueId med zipWithIndex men det er lidt dyrere.

Direkte med DataFrame API :

(universal Scala, Python, Java, R med stort set samme syntaks)

Tidligere har jeg savnet monotonicallyIncreasingId funktion, som burde fungere fint, så længe du ikke kræver fortløbende tal:

import org.apache.spark.sql.functions.monotonicallyIncreasingId

df.withColumn("id", monotonicallyIncreasingId).show()
// +---+----+-----------+
// |foo| bar|         id|
// +---+----+-----------+
// |  a|-1.0|17179869184|
// |  b|-2.0|42949672960|
// |  c|-3.0|60129542144|
// +---+----+-----------+

Selvom det er nyttigt monotonicallyIncreasingId er ikke-deterministisk. Ikke kun id'er kan være forskellige fra udførelse til udførelse, men uden yderligere tricks kan ikke bruges til at identificere rækker, når efterfølgende operationer indeholder filtre.

Bemærk :

Det er også muligt at bruge rowNumber vinduesfunktion:

from pyspark.sql.window import Window
from pyspark.sql.functions import rowNumber

w = Window().orderBy()
df.withColumn("id", rowNumber().over(w)).show()

Desværre: