Skip to content

来自 Apache Spark

基于列的API与基于行的API

而Spark的DataFrame类似于行的集合，Polars的DataFrame更接近于列的集合。这意味着你可以在Polars中以Spark中不可能的方式组合列，因为Spark保留了每行数据的关系。

考虑以下示例数据集：

import polars as pl

df = pl.DataFrame({
    "foo": ["a", "b", "c", "d", "d"],
    "bar": [1, 2, 3, 4, 5],
})

dfs = spark.createDataFrame(
    [
        ("a", 1),
        ("b", 2),
        ("c", 3),
        ("d", 4),
        ("d", 5),
    ],
    schema=["foo", "bar"],
)

示例 1: 结合 head 和 sum

在Polars中，你可以这样写：

df.select(
    pl.col("foo").sort().head(2),
    pl.col("bar").filter(pl.col("foo") == "d").sum()
)

输出:

shape: (2, 2)
┌─────┬─────┐
│ foo ┆ bar │
│ --- ┆ --- │
│ str ┆ i64 │
╞═════╪═════╡
│ a   ┆ 9   │
├╌╌╌╌╌┼╌╌╌╌╌┤
│ b   ┆ 9   │
└─────┴─────┘

列 foo 和 bar 上的表达式是完全独立的。由于 bar 上的表达式返回单个值，该值会为 foo 上的表达式输出的每个值重复。但是 a 和 b 与生成总和 9 的数据没有关系。

要在Spark中做类似的事情，你需要单独计算总和并将其作为字面量提供：

from pyspark.sql.functions import col, sum, lit

bar_sum = (
    dfs
    .where(col("foo") == "d")
    .groupBy()
    .agg(sum(col("bar")))
    .take(1)[0][0]
)

(
    dfs
    .orderBy("foo")
    .limit(2)
    .withColumn("bar", lit(bar_sum))
    .show()
)

输出:

+---+---+
|foo|bar|
+---+---+
|  a|  9|
|  b|  9|
+---+---+

示例 2：结合两个 heads

在Polars中，你可以在同一个DataFrame上组合两个不同的head表达式，只要它们返回相同数量的值。

df.select(
    pl.col("foo").sort().head(2),
    pl.col("bar").sort(descending=True).head(2),
)

输出:

shape: (3, 2)
┌─────┬─────┐
│ foo ┆ bar │
│ --- ┆ --- │
│ str ┆ i64 │
╞═════╪═════╡
│ a   ┆ 5   │
├╌╌╌╌╌┼╌╌╌╌╌┤
│ b   ┆ 4   │
└─────┴─────┘

再次强调，这里的两个head表达式是完全独立的，a与5以及b与4的配对纯粹是由表达式输出的两列的并列关系决定的。

要在Spark中实现类似的功能，你需要生成一个人工键，以便能够以这种方式连接值。

from pyspark.sql import Window
from pyspark.sql.functions import row_number

foo_dfs = (
    dfs
    .withColumn(
        "rownum",
        row_number().over(Window.orderBy("foo"))
    )
)

bar_dfs = (
    dfs
    .withColumn(
        "rownum",
        row_number().over(Window.orderBy(col("bar").desc()))
    )
)

(
    foo_dfs.alias("foo")
    .join(bar_dfs.alias("bar"), on="rownum")
    .select("foo.foo", "bar.bar")
    .limit(2)
    .show()
)

输出:

+---+---+
|foo|bar|
+---+---+
|  a|  5|
|  b|  4|
+---+---+