Первичные ключи с Apache Spark

Ответ 1

Scala

Если вам нужны только уникальные номера, вы можете использовать zipWithUniqueId и воссоздать DataFrame. Сначала импортируются данные и фиктивные данные:

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")

Извлечь схему для дальнейшего использования:

val schema = df.schema

Добавить поле id:

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

Создать DataFrame:

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

То же самое в 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)))

Если вы предпочитаете последовательный номер, вы можете заменить zipWithUniqueId на zipWithIndex, но он немного дороже.

Непосредственно с DataFrame API:

(универсальный Scala, Python, Java, R с почти одинаковым синтаксисом)

Раньше я пропустил функцию monotonicallyIncreasingId, которая должна работать нормально, если вам не нужны последовательные номера:

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

Хотя полезный monotonicallyIncreasingId не является детерминированным. Не только идентификаторы могут отличаться от исполнения к исполнению, но без дополнительных трюков нельзя использовать для идентификации строк, когда последующие операции содержат фильтры.

Примечание:

Также возможно использовать функцию окна rowNumber:

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

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

К сожалению:

Окно WARN: для работы с окном не определено раздел. Перемещение всех данных в один раздел может привести к серьезному ухудшению производительности.

Итак, если у вас нет естественного способа разбить ваши данные и обеспечить уникальность, в данный момент это не особенно полезно.

Ответ 2

from pyspark.sql.functions import monotonically_increasing_id

df.withColumn("id", monotonically_increasing_id()).show()

Обратите внимание, что второй аргумент df.withColumn является monotonically_increasing_id() не monotonically_increasing_id.

Ответ 3

Я нашел следующее решение относительно простым для случая, когда zipWithIndex() является желаемым поведением, т.е. для тех, которые задают последовательные целые числа.

В этом случае мы используем pyspark и полагаемся на понимание словаря, чтобы сопоставить исходный объект строки с новым словарем, который соответствует новой схеме, включая уникальный индекс.

# read the initial dataframe without index
dfNoIndex = sqlContext.read.parquet(dataframePath)
# Need to zip together with a unique integer

# First create a new schema with uuid field appended
newSchema = StructType([StructField("uuid", IntegerType(), False)]
                       + dfNoIndex.schema.fields)
# zip with the index, map it to a dictionary which includes new field
df = dfNoIndex.rdd.zipWithIndex()\
                      .map(lambda (row, id): {k:v
                                              for k, v
                                              in row.asDict().items() + [("uuid", id)]})\
                      .toDF(newSchema)