如何有效地将DataFrame转换为（列名称 - >列值列表）的Map
我想要实现的是，对于以下DataFrame：
| FOO | BAR | BAZ |
| lorem | ipsum | dolor |
| sit | amet | dolor |
| lorem | lorem | dolor |
生成以下输出：
Map(
FOO -> List("lorem", "sit"),
BAR -> List("ipsum", "amet", "lorem"),
BAZ -> List("dolor")
)
这是我提出的Scala代码：
val df = data.distinct
df.columns.map((key) => {
val distinctValues = df
.select(col(key))
.collect
.map(df => df.getString(0))
.toList
.distinct(key, distinctValues)
}).toMap
我已尝试使用RDD替代此代码，但不知何故，它们的速度提高了约30％，但问题仍然存在：这一切都非常低效。
我在本地运行Spark对抗一个只有1000行的样本数据集的本地Cassandra，但是这些操作会生成大量的日志，需要7秒多才能完成。
我做错了什么，有没有更好的方法呢？
写回答
-
社区小助手是spark中国社区的管理员，我会定期更新直播回顾等资料和文章干货，还整合了大家在钉群提出的有关spark的问题及回答。识别列的唯一值
for (x<- df.columns)
{
df.select(x).groupBy(x).count
}
我认为使用近似不同会使这更快。import org.apache.spark.sql.functions.approx_count_distinct
df.agg(approx_count_distinct("some_column"))
你有一个名为collect_set的函数
df.select(collect_set($"FOO"), collect_set($"BAR"), collect_set($"BAZ"))
2019-07-17 23:23:05赞同 展开评论 打赏
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
