我一直在尝试不同的方式来过滤类型化的数据集。事实证明,表现可能完全不同。Spark DataSet过滤器性能
该数据集是基于1.6行的数据行创建的,具有33列和4226047行。 DataSet是通过加载csv数据并映射到案例类创建的。
val df = spark.read.csv(csvFile).as[FireIncident]
UnitId ='B02'上的过滤器应返回47980行。我测试了三种方式如下: 1)使用类型的列(〜500毫秒本地主机上)
df.where($"UnitID" === "B02").count()
2)使用临时表和SQL查询(〜同选项1)
df.createOrReplaceTempView("FireIncidentsSF")
spark.sql("SELECT * FROM FireIncidentsSF WHERE UnitID='B02'").count()
3)使用强类型类字段(14,987ms,即30作为慢次)
df.filter(_.UnitID.orNull == "B02").count()
我与蟒API再次测试它,对于相同的数据集,所述定时是17046毫秒,媲美的性能Scala API选项3.
df.filter(df['UnitID'] == 'B02').count()
有人可以了解3)和python API的执行方式与前两个选项不同吗?
具有强类型类字段的Python API和Scala API过滤器具有可比较的性能结果。你知道为什么选项3)比1)或2)慢30倍吗? – YPL