Scala：如何按行号拆分数据框？

Question

我想将 270 万行的数据帧拆分为 100000 行的小数据帧，所以最终得到 27 个数据帧，我也想将它们存储为 csv 文件。

我已经看过这个 partitionBy 和 groupBy 了，但是我不需要担心任何条件，除了它们必须按日期排序。我正在尝试编写自己的代码来完成这项工作，但如果您知道我可以使用的一些 Scala (Spark) 函数，那就太好了！

谢谢大家的建议！

Answer 1

您可以使用 RDD API 中的 zipWithIndex（不幸的是，在 SparkSQL 中没有等效项）将每一行映射到一个索引，范围在 0 和 rdd.count - 1 之间。

因此，如果您有一个我假设要进行相应排序的数据框，则您需要在两个 API 之间来回切换，如下所示：

import org.apache.spark.sql.types._
import org.apache.spark.sql.Row

// creating mock data
val df = spark.range(100).withColumn("test", 'id % 10)

// zipping the data
val partitionSize = 5 // I use 5 but you can use 100000 in your case
val zipped_rdd = df.rdd
    .zipWithIndex.map{ case (row, id) => 
        Row.fromSeq(row.toSeq :+ id / partitionSize ) 
    }

//back to df
val newField = StructField("partition", LongType, false)
val zipped_df = spark
    .createDataFrame(zipped_rdd, df.schema.add(newField))

让我们看一下数据，我们有一个名为 partition 的新列，它对应于您想要拆分数据的方式。

zipped_df.show(15) // 5 rows by partition
+---+----+---------+
| id|test|partition|
+---+----+---------+
|  0|   0|        0|
|  1|   1|        0|
|  2|   2|        0|
|  3|   3|        0|
|  4|   4|        0|
|  5|   5|        1|
|  6|   6|        1|
|  7|   7|        1|
|  8|   8|        1|
|  9|   9|        1|
| 10|   0|        2|
| 11|   1|        2|
| 12|   2|        2|
| 13|   3|        2|
| 14|   4|        2|
+---+----+---------+

// using partitionBy to write the data
zipped_df.write
    .partitionBy("partition")
    .csv(".../testPart.csv")