使用Python的duce（）加入多个PySpark DataFrames

Question

有谁知道为什么使用Python3的fuctools.reduce（）会导致在加入多个PySpark数据帧时的性能比仅仅使用for循环迭代加入相同的数据帧更差？具体来说，这会导致速度大幅变慢，然后出现内存不足错误：

def join_dataframes(list_of_join_columns, left_df, right_df):
    return left_df.join(right_df, on=list_of_join_columns)

joined_df = functools.reduce(
    functools.partial(join_dataframes, list_of_join_columns), list_of_dataframes,
)

然而这个没有:

joined_df = list_of_dataframes[0]
joined_df.cache()
for right_df in list_of_dataframes[1:]:
    joined_df = joined_df.join(right_df, on=list_of_join_columns)

任何想法将不胜感激。谢谢！

Answer 1

一个原因是reduce或fold通常在功能上是纯的:每次累加操作的结果不会写入内存的同一部分，而是写入内存的一个新块。

原则上，垃圾收集器可以在每次累积后释放前一个块，但如果没有，您将为累加器的每个更新版本分配内存。

Answer 2

只要您使用CPython(不同的实现可以，但实际上不应该，在这种特定情况下表现出明显不同的行为)。如果你看一下< code>reduce的实现，你会发现它只是一个带有最少异常处理的for循环。

核心完全等效于您使用的循环

for element in it:
    value = function(value, element)

没有证据支持任何特殊行为的说法。

此外，简单的帧数测试Spark连接的实际限制（连接是Spark中最昂贵的操作之一）

dfs = [
    spark.range(10000).selectExpr(
        "rand({}) AS id".format(i), "id AS value",  "{} AS loop ".format(i)
    )
    for i in range(200)
]

显示直接for循环之间的定时没有显着差异

def f(dfs):
    df1 = dfs[0]
    for df2 in dfs[1:]:
        df1 = df1.join(df2, ["id"])
    return df1

%timeit -n3 f(dfs)                 
## 6.25 s ± 257 ms per loop (mean ± std. dev. of 7 runs, 3 loops each)

和< code>reduce调用

from functools import reduce

def g(dfs):
    return reduce(lambda x, y: x.join(y, ["id"]), dfs) 

%timeit -n3 g(dfs)
### 6.47 s ± 455 ms per loop (mean ± std. dev. of 7 runs, 3 loops each)

类似地，整体 JVM 行为模式在 for 循环之间是可比较的

用于循环CPU和内存使用-VisualVM

和< code >减少

减少 CPU 和内存使用率 - 可视化 VM

最后，两者都生成相同的执行计划

g(dfs)._jdf.queryExecution().optimizedPlan().equals( 
    f(dfs)._jdf.queryExecution().optimizedPlan()
)
## True

这表明在评估计划和可能发生OOM时没有区别。

换句话说，相关性并不意味着因果关系，并且观察到的性能问题不太可能与您用于组合 DataFrame 的方法相关。