为什么 Apache-Spark - Python 在本地比 pandas 慢？

Question

这里是 Spark 新手。 我最近开始在本地机器上使用以下命令在两个内核上使用 Spark：

pyspark --master local[2]

我有一个 393Mb 的文本文件，其中包含近一百万行。我想执行一些数据操作操作。我正在使用 PySpark 的内置数据框函数来执行简单的操作，例如 groupBy、sum、max、stddev。

但是，当我在 pandas 中对完全相同的数据集执行完全相同的操作时，pandas 似乎在延迟方面以巨大的优势击败了 pyspark。

我想知道这可能是什么原因。我有几个想法。

1. 内置函数在序列化/反序列化过程中效率低下吗？如果是，它们的替代品是什么？
2. 数据集是否太小以至于无法超过运行 spark 的底层 JVM 的开销成本？

感谢收看。非常感谢。

Answer 1

因为：

• Apache Spark 是一个复杂的框架，旨在将处理分布在数百个节点上，同时确保正确性和容错性。这些属性中的每一个都具有很高的成本。
• 因为纯内存中的核心处理 (Pandas) 比磁盘和网络（甚至是本地）I/O (Spark) 快几个数量级。
• 因为并行性（和分布式处理）会增加大量开销，而且即使使用最佳（令人尴尬的并行工作负载）也不能保证任何性能改进。
• 因为本地模式不是为性能而设计的。它用于测试。
• 最后但并非最不重要的一点 - 在 393MB 上运行 2 个内核不足以看到任何性能改进，并且单节点不提供任何分发机会
• 还有Spark: Inconsistent performance number in scaling number of cores、Why is pyspark so much slower in finding the max of a column?、Why does my Spark run slower than pure Python? Performance comparison

你可以这样持续很长时间......