有没有更快的方法将一列 pyspark 数据框转换为 python 列表？ （Collect() 非常慢）

Question

我正在尝试使用 collect 函数将一列 pyspark 数据框存储到 python 列表中。 例如

list_a = [row[column_name] for dataset_name.collect()中的行]

但这是一个非常缓慢的过程，对于 3 列和 27 行的数据帧需要超过 10 秒。

有没有更快的方法？

我尝试在此步骤之前缓存数据。使用此步骤，上述查询将在 2 秒内执行，但缓存步骤本身需要大约 7-8 秒，因此我减少时间的目的并未完全实现。

而且我的代码是这样的，我需要在此步骤之前每次都重建数据帧，因此需要再次进行缓存，因此这一步（缓存数据帧）对缩短时间没有太大帮助。

提前致谢！

Answer 1

只需收集一列数据即可对您的代码进行轻微优化：

list_a = [row[column_name] for row in dataset_name.select(column_name).collect()]

如果你使用quinn，这段代码会更干净：

import quinn

list_a = quinn.column_to_list(df, col_name)

collect() 将所有数据传输到驱动节点，成本很高。您只能通过收集更少的数据来加快速度（例如，dataset_name.select(column_name).distinct().collect() 通常会更快）。

Spark 针对在集群中分布数据集和并行运行计算进行了优化。 Spark 的分布式特性使得在单个节点上收集结果的计算速度相对较慢。