Spark - 宽/稀疏数据帧持久性

Question

我想保留一个非常宽的 Spark Dataframe（>100'000 列），该数据帧是稀疏填充的（>99% 的值为空），同时只保留非空值（以避免存储成本）：

• 此类用例（HBase、Avro、Parquet 等）的最佳格式是什么？
• Spark 端写入时应该指定什么来忽略空值？

请注意，我已经使用简单的df.write statement 尝试了 Parquet 和 Avro - df 大小为 ca。 100x130k Parquet 与 Avro（约 15MB）相比表现最差（约 55MB）。对我来说，这表明存储了所有空值。

谢谢！

Answer 1

Spark 转 JSON / SparseVector（来自thebluephantom）

在 pyspark 中并使用 ml.否则转换为 Scala。

%python
from pyspark.sql.types import StructType, StructField, DoubleType
from pyspark.ml.linalg import SparseVector, VectorUDT

temp_rdd = sc.parallelize([
    (0.0, SparseVector(4, {1: 1.0, 3: 5.5})),
    (1.0, SparseVector(4, {0: -1.0, 2: 0.5}))])

schema = StructType([
    StructField("label", DoubleType(), False),
    StructField("features", VectorUDT(), False)
])

df = temp_rdd.toDF(schema)
df.printSchema()
df.write.json("/FileStore/V.json")


df2 = spark.read.schema(schema).json("/FileStore/V.json")
df2.show()

读取后返回：

+-----+--------------------+
|label|            features|
+-----+--------------------+
|  1.0|(4,[0,2],[-1.0,0.5])|
|  0.0| (4,[1,3],[1.0,5.5])|
+-----+--------------------+

Spark 到 Avro / Avro2TF（来自 py-r）

this tutorial 中提供的 Avro2TF 库似乎是一个有趣的替代方案，它直接利用了 Avro。结果，稀疏向量将被编码如下：

+---------------------+--------------------+
|genreFeatures_indices|genreFeatures_values|
+---------------------+--------------------+
|     [2, 4, 1, 8, 11]|[1.0, 1.0, 1.0, 1...|
|          [11, 10, 3]|     [1.0, 1.0, 1.0]|
|            [2, 4, 8]|     [1.0, 1.0, 1.0]|
|             [11, 10]|          [1.0, 1.0]|
|               [4, 8]|          [1.0, 1.0]|
|         [2, 4, 7, 3]|[1.0, 1.0, 1.0, 1.0]|