如何解决同一DataFrame上的Spark迭代
我现在要处理的是用Spark SQL替换低频值。 这意味着对于每个col,它将计算每个值的计数,如果其计数低于我们给定的阈值(假设为6),则将其替换为我们指定的另一个值。
Spark SQL和DataFrame很难找到一种有效的方法来完成此任务,因为它涉及大量的改组和迭代。
下面显示的代码是我用来测试其性能的一种方式。 但是,由于转换的链很长(它们之间有很多连接),所以无法执行PySpark代码。即使我不开始操作,也无法将其转换为RDD沿袭。只是永远不会在交互式Jupyter Notebook单元中停下来(我没有开始操作)。
任何人都可以帮助分析原因以及我该怎么做吗?
.map
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。