如何重新分区 pyspark 数据框？

Question

data.rdd.getNumPartitions() # output 2456

然后我做

data.rdd.repartition(3000) 但是

data.rdd.getNumPartitions() # 输出仍然是2456

如何更改分区数。一种方法是先将 DF 转换为 rdd，重新分区，然后将 rdd 转换回 DF。但这需要很多时间。分区数量的增加是否也会使操作更加分散且速度更快？谢谢

原文由 Neo 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 1

您可以检查分区数：

 data.rdd.partitions.size

要更改分区数：

 newDF = data.repartition(3000)

您可以检查分区数：

 newDF.rdd.partitions.size

重新分区时要小心数据混洗，这很昂贵。如果需要，请查看 coalesce 。

原文由 Michel Lemay 发布，翻译遵循 CC BY-SA 3.0 许可协议

Answer 2

print df.rdd.getNumPartitions()
# 1

df.repartition(5)
print df.rdd.getNumPartitions()
# 1

df = df.repartition(5)
print df.rdd.getNumPartitions()
# 5

请参阅 Spark：权威指南第 5 章 - 基本结构操作

ISBN-13：978-1491912218

ISBN-10: 1491912219

原文由 Ali Payne 发布，翻译遵循 CC BY-SA 4.0 许可协议