pyspark踩坑记录

静静_jingjing

于 2023-03-01 10:49:58 发布

阅读量371

点赞数

分类专栏： pyspark 文章标签： pyspark

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_39321513/article/details/129276503

版权

pyspark 专栏收录该内容

6 篇文章

订阅专栏

在使用SQL查询并限制数据量后进行DAG（有向无环图）操作，如df=hc.sql(...limit1000)，后续的join操作可能会因两次limit分别从不同分区选取数据而导致无法匹配，从而返回空结果。理解数据处理中的分区和limit作用至关重要，以避免类似问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. df = hc.sql(..... limit 1000) # limit 具有随机性

然后df2 = df.xxx df3 = df2.xxx

经过一系列操作后 df4 = df3.join(df) # join出来会是空置，因为是两条DAG合并，df3是一条DAG，执行了limit , df是一条DAG，也执行了limit，两次limit的可能是从不同的分区各拿的1000条数据，因此join不上，join为空。图示如下：

评论 3

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。