我完全不理解以下问题:
当我连接两个数据框并返回行数时,每次尝试都会得到略微不同的计数。以下是详细信息:
我想连接数据框:'df_user_ids' 和 'df_conversions':
在合并数据帧之前,我会将它们保存到磁盘中以持久化:
这怎么可能?有时,这个“joined count”比“df_user_ids.count()”还要高,而有时却比它低。我在 AWS EMR 上的 EMR 集群中使用了 Zeppelin 笔记本来运行此代码。
我已经尝试了下面链接中建议的方法:
- “.persist(StorageLevel.DISK_ONLY)”并没有起到作用。 - 我没有使用 monotonically_increasing_id。
参考链接:spark inconsistency when running count command
当我连接两个数据框并返回行数时,每次尝试都会得到略微不同的计数。以下是详细信息:
我想连接数据框:'df_user_ids' 和 'df_conversions':
df_user_ids.show()
>>>
+--------------------+
| user_id|
+--------------------+
|AMsySZY-cqcufnXst...|
|AMsySZY1Oo75A6vKU...|
|AMsySZY4nbqZiuEMR...|
|AMsySZY5RSfgj6Xvi...|
|AMsySZY5geAmTx0er...|
|AMsySZY6Gskv_kEAv...|
|AMsySZY6MIOyPWM4U...|
|AMsySZYCEZYS00UB9...|
df_conversions.show()
>>>
+--------------------+----------------------+---------+
| user_id|time_activity_observed|converted|
+--------------------+----------------------+---------+
|CAESEAl1YPOZpaWVx...| 2018-03-23 12:15:37| 1|
|CAESEAuvSBzmfc_f3...| 2018-03-23 21:58:25| 1|
|CAESEBXWsSYm4ntvR...| 2018-03-30 12:16:53| 1|
|CAESEC-5uPwWGFdnv...| 2018-03-23 08:52:48| 1|
|CAESEDB3Z-NNvz7zL...| 2018-03-24 21:37:05| 1|
|CAESEDu7S7rGTVlj2...| 2018-04-01 17:00:12| 1|
|CAESEE4s6g1-JlUEt...| 2018-03-23 19:32:23| 1|
|CAESEELlJt0mE2xjn...| 2018-03-24 18:26:15| 1|
两个数据框都有名为“user_id”的关键列, 并且都使用了固定的种子通过“.sampleBy()”创建:
.sampleBy("converted", fractions={0: 0.035, 1: 1}, seed=0)
在合并数据帧之前,我会将它们保存到磁盘中以持久化:
df_user_ids.persist(StorageLevel.DISK_ONLY)
df_conversions.persist(StorageLevel.DISK_ONLY)
然后我验证两个数据框的行数是否一致:
df_user_ids.count()
>>> 584309
df_user_ids.count()
>>> 584309
df_conversions.count()
>>> 5830
df_conversions.count()
>>> 5830
请检查两个数据框的键列是否不包含重复值:
df_user_ids.count()
>>> 584309
df_user_ids.select('user_id').distinct().count()
>>> 584309
df_conversions.count()
>>> 5830
df_conversions.select('user_id').distinct().count()
>>> 5830
然后当我将它们连接起来时,行数不一致!
df_user_ids.join(df_conversions, ["user_id"], "left").count()
>>> 584314
df_user_ids.join(df_conversions, ["user_id"], "left").count()
>>> 584317
df_user_ids.join(df_conversions, ["user_id"], "left").count()
>>> 584304
这怎么可能?有时,这个“joined count”比“df_user_ids.count()”还要高,而有时却比它低。我在 AWS EMR 上的 EMR 集群中使用了 Zeppelin 笔记本来运行此代码。
我已经尝试了下面链接中建议的方法:
- “.persist(StorageLevel.DISK_ONLY)”并没有起到作用。 - 我没有使用 monotonically_increasing_id。
参考链接:spark inconsistency when running count command
sampleBy
不能保证您获得精确的行分数。它使用每个记录被包括的概率等于分数的样本,并且可能因运行而异。 - Steven