Spark 动态 DAG 比硬编码的 DAG 慢很多

Question

我在 spark 中有一个操作，应该对数据框中的几列执行。一般来说，有两种可能来指定这样的操作

• 硬编码

handleBias("bar", df)
  .join(handleBias("baz", df), df.columns)
  .drop(columnsToDrop: _*).show

• 从列名列表动态生成它们

var isFirst = true
var res = df
for (col <- columnsToDrop ++ columnsToCode) {
  if (isFirst) {
    res = handleBias(col, res)
    isFirst = false
  } else {
    res = handleBias(col, res)
  }
}
res.drop(columnsToDrop: _*).show

问题在于动态生成的 DAG 是不同的，当使用更多列时，动态解决方案的运行时间会比硬编码操作增加得更多。

我很好奇如何将优雅的动态构造与快速执行时间结合起来。

这是示例代码的 DAG 的比较

对于大约 80 列，这为硬编码变体生成了一个相当不错的图表 对于动态构造的查询，还有一个非常大、可能不太可并行化且速度较慢的 DAG。

当前版本的 spark (2.0.2) 与 DataFrames 和 spark-sql 一起使用

完成最小示例的代码：

def handleBias(col: String, df: DataFrame, target: String = "FOO"): DataFrame = {
  val pre1_1 = df
    .filter(df(target) === 1)
    .groupBy(col, target)
    .agg((count("*") / df.filter(df(target) === 1).count).alias("pre_" + col))
    .drop(target)

  val pre2_1 = df
    .groupBy(col)
    .agg(mean(target).alias("pre2_" + col))

  df
    .join(pre1_1, Seq(col), "left")
    .join(pre2_1, Seq(col), "left")
    .na.fill(0)
}

编辑

使用foldleft 运行任务会生成线性 DAG 并对所有列的函数进行硬编码会导致

两者都比我原来的 DAG 好很多，但硬编码的变体对我来说看起来更好。在 spark 中连接 SQL 语句的字符串可以让我动态生成硬编码的执行图，但这看起来相当难看。您还有其他选择吗？

Answer 1

编辑 1： 从 handleBias 中移除一个窗口函数并将其转换为广播连接。

编辑 2： 更改了空值的替换策略。

我有一些建议可以改进您的代码。首先，对于“handleBias”函数，我会使用窗口函数和“withColumn”调用，避免连接：

import org.apache.spark.sql.DataFrame
import org.apache.spark.sql.functions._
import org.apache.spark.sql.expressions.Window

def handleBias(df: DataFrame, colName: String, target: String = "foo") = {
  val w1 = Window.partitionBy(colName)
  val w2 = Window.partitionBy(colName, target)
  val result = df
    .withColumn("cnt_group", count("*").over(w2))
    .withColumn("pre2_" + colName, mean(target).over(w1))
    .withColumn("pre_" + colName, coalesce(min(col("cnt_group") / col("cnt_foo_eq_1")).over(w1), lit(0D)))
    .drop("cnt_group")
  result
}

然后，对于多列调用它，我建议使用foldLeft，这是解决此类问题的“功能”方法：

val df = Seq((1, "first", "A"), (1, "second", "A"),(2, "noValidFormat", "B"),(1, "lastAssumingSameDate", "C")).toDF("foo", "bar", "baz")

val columnsToDrop = Seq("baz")
val columnsToCode = Seq("bar", "baz")
val target = "foo"

val targetCounts = df.filter(df(target) === 1).groupBy(target)
  .agg(count(target).as("cnt_foo_eq_1"))
val newDF = df.join(broadcast(targetCounts), Seq(target), "left")

val result = (columnsToDrop ++ columnsToCode).toSet.foldLeft(df) {
  (currentDF, colName) => handleBias(currentDF, colName)
}

result.drop(columnsToDrop:_*).show()

+---+--------------------+------------------+--------+------------------+--------+
|foo|                 bar|           pre_baz|pre2_baz|           pre_bar|pre2_bar|
+---+--------------------+------------------+--------+------------------+--------+
|  2|       noValidFormat|               0.0|     2.0|               0.0|     2.0|
|  1|lastAssumingSameDate|0.3333333333333333|     1.0|0.3333333333333333|     1.0|
|  1|              second|0.6666666666666666|     1.0|0.3333333333333333|     1.0|
|  1|               first|0.6666666666666666|     1.0|0.3333333333333333|     1.0|
+---+--------------------+------------------+--------+------------------+--------+

我不确定它是否会大大改善您的 DAG，但至少它使代码更清晰、更具可读性。

参考：

• 关于窗口函数的 Databricks 文章：https://databricks.com/blog/2015/07/15/introducing-window-functions-in-spark-sql.html
• 可用函数的 API 文档：http://spark.apache.org/docs/latest/api/scala/index.html#org.apache.spark.sql.functions$
• 左折叠：https://coderwall.com/p/4l73-a/scala-fold-foldleft-and-foldright