pyspark比较dropDuplicates()+count与count(Distinct)

近期在统计一个半年之久的数据时,先是使用了countDisitnct("id")方法,计算速度很慢,还容易出现数据倾斜。但因为这个groupBy的key非常之多,有上亿条,根本无法用mapPartition来做中间计算,以为光这个key就足够报OOM错误了。

无奈之下还是得用count的方法硬计算,但又想找到更快的计算方式。多翻查找后,发现使用df.dropDuplicates(cols_).groupBy("").agg(count("id"))计算结果跟df.groupBy("").agg(countDistinct("id"))结果一样,有时计算速度还会稍微快一点。所以记录下。

原理:

1 distinct:返回一个不包含重复记录的DataFrame

返回当前DataFrame中不重复的Row记录。该方法和接下来的dropDuplicates()方法不传入指定字段时的结果相同。
示例 :

df.distinct()

2 dropDuplicates:根据指定字段去重

根据指定字段去重。类似于select distinct a, b操作
示例:

train.select('Age','Gender').dropDuplicates().show()

3 应用示例

# 1 countDistinct()

cate1 = action_info.groupBy("window_type", "first_cate_cd") \
            .agg(countDistinct("user_id").alias("user_cnt"))
cate1.show()
# 2 .dropDuplicates()
view_shop = action_info.select("user_id","first_cate_cd","shop_id")\
     .dropDuplicates().repartition(10000, col("user_id"),col("shop_id")) \
     .groupBy("first_cate_cd","shop_id") \
     .agg(count("user_id").alias("user_cnt"))

在数据量不大的时候看不出计算速度的差距的,数据量到了一定的量级后,计算速度也差不太多。

  • 2
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值