SQL 和 withColumn 之间的性能

【问题标题】：Performance Between SQL and withColumnSQL 和 withColumn 之间的性能
【发布时间】：2019-09-09 13:39:24
【问题描述】：

假设我创建了以下数据框：

dt = pd.DataFrame(np.array([[1,5],[2,12],[4,17]]),columns=['a','b'])
df = spark.createDataFrame(dt)

我想创建第三列 c，即这两列的总和。我有以下两种方法。

Spark 中的 withColumn() 方法：

df1 = df.withColumn('c', df.a + df.b)

或者使用sql：

df.createOrReplaceTempView('mydf')
df2 = spark.sql('select *, a + b as c from mydf')

虽然两者产生相同的结果，但哪种方法的计算速度更快？

另外，sql 与 spark 用户定义函数相比如何？

【问题讨论】：

标签： dataframe apache-spark pyspark

【解决方案1】：

虽然两者产生相同的结果，但哪种方法的计算速度更快？

查看执行计划：

df1.explain()
#== Physical Plan ==
#*(1) Project [a#0L, b#1L, (a#0L + b#1L) AS c#4L]
#+- Scan ExistingRDD[a#0L,b#1L]

df2.explain()
#== Physical Plan ==
#*(1) Project [a#0L, b#1L, (a#0L + b#1L) AS c#8L]
#+- Scan ExistingRDD[a#0L,b#1L]

由于它们是相同的，因此这两种方法是相同的。

一般来说，使用withColumn 或spark-sql 没有计算优势。如果代码编写正确，则底层计算将是相同的。

在某些情况下，使用spark-sql 表达某些内容可能更容易，例如，如果您想使用use a column value as a parameter to a spark function。

另外，sql 与 spark 用户定义函数相比如何？

看看这个帖子：Spark functions vs UDF performance?

【讨论】：