Spark - Wide/sparse 数据帧持久性

Question

我想保留一个非常宽的 Spark Dataframe（>100'000 列），该数据帧稀疏填充（>99% 的值为空），同时仅保留非空值（以避免存储成本）：

这种用例（HBase、Avro、Parquet 等）的最佳格式是什么？
Spark端在写的时候要忽略null需要指定什么？

请注意，我已经用简单的 df.write statement 尝试过 Parquet 和 Avro - 对于大小为 ca 的 df。 100x130k Parquet 表现最差（约 55MB）与 Avro（约 15MB）相比。对我来说，这表明存储了所有空值。

谢谢！

Answer 1

Spark 到 JSON / SparseVector（来自 thebluephantom）

在 pyspark 中并使用 ml。否则转换为 Scala。

%python
from pyspark.sql.types import StructType, StructField, DoubleType
from pyspark.ml.linalg import SparseVector, VectorUDT

temp_rdd = sc.parallelize([
    (0.0, SparseVector(4, {1: 1.0, 3: 5.5})),
    (1.0, SparseVector(4, {0: -1.0, 2: 0.5}))])

schema = StructType([
    StructField("label", DoubleType(), False),
    StructField("features", VectorUDT(), False)
])

df = temp_rdd.toDF(schema)
df.printSchema()
df.write.json("/FileStore/V.json")


df2 = spark.read.schema(schema).json("/FileStore/V.json")
df2.show()

returns 阅读后：

+-----+--------------------+
|label|            features|
+-----+--------------------+
|  1.0|(4,[0,2],[-1.0,0.5])|
|  0.0| (4,[1,3],[1.0,5.5])|
+-----+--------------------+

Spark 到 Avro / Avro2TF（来自 py-r）

this tutorial 中介绍的 Avro2TF 库似乎是直接利用 Avro 的有趣替代方案。因此，稀疏向量将编码如下：

+---------------------+--------------------+
|genreFeatures_indices|genreFeatures_values|
+---------------------+--------------------+
|     [2, 4, 1, 8, 11]|[1.0, 1.0, 1.0, 1...|
|          [11, 10, 3]|     [1.0, 1.0, 1.0]|
|            [2, 4, 8]|     [1.0, 1.0, 1.0]|
|             [11, 10]|          [1.0, 1.0]|
|               [4, 8]|          [1.0, 1.0]|
|         [2, 4, 7, 3]|[1.0, 1.0, 1.0, 1.0]|

Spark - Wide/sparse 数据帧持久性

Spark - Wide/sparse dataframe persistence

hbase

apache-spark

parquet

google-cloud-bigtable

spark-avro