Zapalovací vyberte sloupec, vrátí odkaz na staré datovém

Question 1

Já používám následující kód:

random = [("ABC",xx, 1), 
          ("DEF",yy,1), 
          ("GHI",zz, 0) 
         ]
randomColumns = ["name","id", "male"]
randomDF = spark.createDataFrame(data=random, schema = randomColumns)
test_df = randomDF.select("name", "id")
test_df.filter(f.col("male") == '1').show()

Z výše uvedeného kódu očekávám, že to mít za následek chybu, protože pro test_df i dont vyberte mužské sloupec z původní datovém. Překvapivě výše uvedený dotaz běží v pohodě bez chyby a výstupy následující:

+---------+-------+
|name     |     id|
+---------+-------+
|      abc|     xx|
|      def|     yy|
+---------+-------+

Chci pochopit logiku co jiskra, co dělá. Dle jiskra dokumentaci Vyberte vrací nový datovém. Tak proč je stále schopen používat mužské sloupec z mateřské datovém.

Question 2

To je způsobeno tím, DAG generována Jiskra. Někteří operátoři (nebo transformers) jsou líní-popraven, tak dláždí cestu pro Zapalovací optimalizovat DAG.

V tomto příkladu, tam jsou dva hlavní kroky: select (nebo project v SQL žargonu） první, a filter později. Ale ve skutečnosti, při provádění, filter první, a pak select, protože to je více efektivní.

Můžete si to ověřit tím, závěr explain() metoda:

test_df.filter(f.col("flag") == '1').explain()

To bude výstup:

== Physical Plan ==
*(1) Project [dept_name#0, dept_id#1L]
+- *(1) Filter (isnotnull(flag#2L) AND (flag#2L = 1))
   +- *(1) Scan ExistingRDD[dept_name#0,dept_id#1L,flag#2L]

Question 3

Přidání @chenzhongpu 's odpověď, prosím, na vědomí, že pokud budete definovat temp zobrazení na vrcholu své test_dfdotaz se nezdaří:

test_df.createOrReplaceTempView("test_df")
spark.sql("select * from test_df where flag = 1").show()
_Traceback (most recent call last): ...
:
pyspark.sql.utils.AnalysisException: u"cannot resolve '`flag`' given input columns: [test_df.dept, test_df.id]; line 1 pos 24;
'Project [*]
 +- 'Filter ('flag = 1)
   +- SubqueryAlias `test_df`
      +- Project [dept#0, id#2L]
         +- LogicalRDD [dept#0, flag#1L, id#2L], false
 _

...protože select (=Project uzel v plnění plánu) bude předcházet filtr (pokus o přes where doložka).

chenzhongpu · Answer 1 · 2021-11-24T01:29:03

To je způsobeno tím, DAG generována Jiskra. Někteří operátoři (nebo transformers) jsou líní-popraven, tak dláždí cestu pro Zapalovací optimalizovat DAG.

V tomto příkladu, tam jsou dva hlavní kroky: select (nebo project v SQL žargonu） první, a filter později. Ale ve skutečnosti, při provádění, filter první, a pak select, protože to je více efektivní.

Můžete si to ověřit tím, závěr explain() metoda:

test_df.filter(f.col("flag") == '1').explain()

To bude výstup:

== Physical Plan ==
*(1) Project [dept_name#0, dept_id#1L]
+- *(1) Filter (isnotnull(flag#2L) AND (flag#2L = 1))
   +- *(1) Scan ExistingRDD[dept_name#0,dept_id#1L,flag#2L]

mazaneicha · Answer 2 · 2021-11-24T14:25:52

Přidání @chenzhongpu 's odpověď, prosím, na vědomí, že pokud budete definovat temp zobrazení na vrcholu své test_dfdotaz se nezdaří:

test_df.createOrReplaceTempView("test_df")
spark.sql("select * from test_df where flag = 1").show()
_Traceback (most recent call last): ...
:
pyspark.sql.utils.AnalysisException: u"cannot resolve '`flag`' given input columns: [test_df.dept, test_df.id]; line 1 pos 24;
'Project [*]
 +- 'Filter ('flag = 1)
   +- SubqueryAlias `test_df`
      +- Project [dept#0, id#2L]
         +- LogicalRDD [dept#0, flag#1L, id#2L], false
 _

...protože select (=Project uzel v plnění plánu) bude předcházet filtr (pokus o přes where doložka).

Zapalovací vyberte sloupec, vrátí odkaz na staré datovém

Otázka

Nejlepší odpověď

V jiných jazycích

Tato stránka je v jiných jazycích

Populární v této kategorii

Oblíbené položky v této kategorii