加入 sparklyr 后过滤错误答案

【问题标题】：Error in filtering after join in sparklyr加入 sparklyr 后过滤错误
【发布时间】：2018-10-05 17:37:12
【问题描述】：

我使用的代码如下所示：（只是一个简单的连接）

tbl(sc, 'dez') %>% inner_join(tbl(sc, 'deg'), by = c("timefrom" = "timefromdeg", "elemuid")) %>% 
    filter(number.x > 2500) %>% glimpse()

单个数据框的内容无关紧要。加入本身会起作用。为了节省计算能力，我想在加入后直接过滤（或其他）。

但现在我收到 Spark 无法解析变量 number.x 的错误消息。

我不明白，因为变量是错误消息的一部分：

Error: org.apache.spark.sql.AnalysisException: cannot resolve '`number.x`' given input columns: [elemname.x, kind.y, timefrom, timetodeg, timeto, kind.x, elemuid, elemname.y, number.y, number.x]; line 7 pos 7;
'Project [*]
+- 'Filter ('number.x > 2500.0)
   +- SubqueryAlias yoxgbdyqlw
      +- Project [elemuid#7505 AS elemuid#7495, elemname#7506 AS elemname.x#7496, kind#7507 AS kind.x#7497, number#7508 AS number.x#7498, timefrom#7509 AS timefrom#7499, timeto#7510 AS timeto#7500, elemname#7512 AS elemname.y#7501, kind#7513 AS kind.y#7502, number#7514 AS number.y#7503, timetodeg#7516 AS timetodeg#7504]
         +- Join Inner, ((timefrom#7509 = timefromdeg#7515) && (elemuid#7505 = elemuid#7511))
            :- SubqueryAlias TBL_LEFT
            :  +- SubqueryAlias dez
            :     +- HiveTableRelation `default`.`dez`, org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe, [elemuid#7505, elemname#7506, kind#7507, number#7508, timefrom#7509, timeto#7510]
            +- SubqueryAlias TBL_RIGHT
               +- SubqueryAlias deg
                  +- HiveTableRelation `default`.`deg`, org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe, [elemuid#7511, elemname#7512, kind#7513, number#7514, timefromdeg#7515, timetodeg#7516]

加入后的collect() 不是一个选项，因为那时我的内存不足。有没有可能让事情发生。

如果能得到帮助，我会很高兴的！

【问题讨论】：

标签： r apache-spark sparklyr

【解决方案1】：

TL;DR 不要使用默认的suffix (c(".x", ".y"))：

set.seed(1)

df1 <- copy_to(sc, tibble(id = 1:3, value = rnorm(3)))
df2 <- copy_to(sc, tibble(id = 1:3, value = rnorm(3)))

df1 %>% 
  inner_join(df2, by = c("id"), suffix=c("_x", "_y")) %>% 
  filter(value_y > -0.836)

# # Source:   lazy query [?? x 3]
# # Database: spark_connection
#      id value_x value_y
#   <dbl>   <dbl>   <dbl>
# 1    1.  -0.626   1.60 
# 2    2.   0.184   0.330
# 3    3.  -0.836  -0.820

问题：

Spark 允许深度嵌套的结构和复杂类型。 struct 使用点语法访问（还记得 window 访问吗？），在字段上具有完整路径。这就是为什么像number.x 这样的名字是模棱两可的。

通常我们用反引号转义查询

`number.x`

但据我所知，不可能用dplyr API 来表达这一点（也许一些rlang 技巧可以做到，但我现在想不出任何办法）。

问题并不是真正特定于联接。您应该避免在名称中包含.。如果出于某种原因，您可以随时使用本机 Spark API 并解决问题：

df3 <- copy_to(sc, tibble(value.x = rnorm(42)))

df3 %>% 
  spark_dataframe() %>% 
  invoke("withColumnRenamed", "`value.x`", "value_x") %>%
  sdf_register()

# # Source:   table<sparklyr_tmp_61acdbbc592> [?? x 1]
# # Database: spark_connection
#    value_x
#      <dbl>
#  1 -0.0162
#  2  0.944 
#  3  0.821 
#  4  0.594 
#  5  0.919 
#  6  0.782 
#  7  0.0746
#  8 -1.99  
#  9  0.620 
# 10 -0.0561
# # ... with more r

【讨论】：