希望使用 SparklyR 按索引对 Spark 数据帧进行排序

【问题标题】：Looking to sort a Spark Data Frame by Index using SparklyR希望使用 SparklyR 按索引对 Spark 数据帧进行排序
【发布时间】：2017-04-27 21:02:59
【问题描述】：

library(sparklyr)
library(dplyr)
library(Lahman)

spark_install(version = "2.0.0")
sc <- spark_connect(master = "local")

batting_tbl <- copy_to(sc, Lahman::Batting, "batting"); batting_tbl

batting_tbl %>% arrange(-index())
# Error: org.apache.spark.sql.AnalysisException: Undefined function: 'INDEX'. 
# This function is neither a registered temporary 
# function nor a permanent function registered in the database 'default'.; line 3 pos 10

有人知道如何使用 dplyr 通过 Spark (sparklyr) DataFrame 按索引排序吗？

【问题讨论】：

标签： r apache-spark dplyr spark-dataframe sparklyr

【解决方案1】：

这是我能想到的最佳解决方案。尽管是正确的，sdf_with_unique_id 函数在 62,000 行以上返回一些非常高的连续值。无论如何，这是使用 SparklyR 创建分布式索引列的一种方法。

library(sparklyr)
library(dplyr)
library(Lahman)

options(tibble.width = Inf) 
options(dplyr.print_max = Inf) 

spark_install(version = "2.0.0")
sc <- spark_connect(master = "local")

batting_tbl <- copy_to(sc, Lahman::Batting, "batting"); batting_tbl
tbl_uncache(sc, "batting")

y <- Lahman::Batting

batting_tbl <- batting_tbl %>% sdf_with_unique_id(., id = "id") # Note 62300 threshold for higher values
batting_tbl %>% arrange(-id)

【讨论】：