Primaire sleutels met Apache Spark

Scala :

Als je alleen maar unieke nummers nodig hebt, kun je zipWithUniqueId . gebruiken en maak DataFrame opnieuw. Eerst wat import- en dummygegevens:

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")

Schema uitpakken voor verder gebruik:

val schema = df.schema

ID-veld toevoegen:

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

DataFrame maken:

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

Hetzelfde in 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)))

Als u de voorkeur geeft aan een opeenvolgend nummer, kunt u zipWithUniqueId . vervangen met zipWithIndex maar het is wel wat duurder.

Direct met DataFrame API :

(universele Scala, Python, Java, R met vrijwel dezelfde syntaxis)

Eerder heb ik monotonicallyIncreasingId gemist functie die prima zou moeten werken zolang u geen opeenvolgende nummers nodig heeft:

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|
// +---+----+-----------+

Hoewel nuttig monotonicallyIncreasingId is niet-deterministisch. Niet alleen id's kunnen van uitvoering tot uitvoering verschillen, maar kunnen zonder extra trucs niet worden gebruikt om rijen te identificeren wanneer daaropvolgende bewerkingen filters bevatten.

Opmerking :

Het is ook mogelijk om rowNumber . te gebruiken vensterfunctie:

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

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

Helaas: