PySpark - 遍历每一行数据帧并运行配置单元查询答案

【问题标题】：PySpark - loop through each row of dataframe and run a hive queryPySpark - 遍历每一行数据帧并运行配置单元查询
【发布时间】：2017-09-18 17:46:38
【问题描述】：

我有一个包含 100 行 [姓名、年龄、日期、小时] 的数据框。我需要用不同的日期值对这个数据框进行分区。假设这 100 行中有 20 个不同的日期值，那么我需要生成 20 个并行配置单元查询，其中每个配置单元 QL 将使用配置单元表连接每个分区。 Hive 表 - [dept, couse, date] 按日期字段分区。

Hive 表很大，因此我需要将这些连接优化为多个较小的连接，然后汇总这些结果。关于如何实现这一目标的任何建议？

【问题讨论】：

您能否提供具有预期输出的示例数据？您应该考虑只进行一次连接并广播您的 100 行数据帧

标签： python apache-spark pyspark

【解决方案1】：

您可以在单个查询中执行此操作。在日期和加入时对 df 进行分区。在加入广播期间，您的第一个表具有小数据（~10MB）。这是示例：-

df3 = df1.repartition("date").join(
F.broadcast(df2.repartition("date")), 
"date"
)
#df2 is your dataframe smaller dataframe in your case it is name, age, date, ,hour.
#Now perform any operation on df3

【讨论】：