apache-spark - 加入 Spark 返回重复的隐式数据类型不匹配

我在连接两个数据帧时得到重复项,其中一个键是小数,另一个是字符串。似乎 Spark 正在将小数转换为字符串,从而产生科学记数法表达式,但随后以小数形式显示原始结果就好了。我通过直接转换为字符串找到了解决方法,但这似乎很危险,因为在没有警告的情况下创建了重复项。 这是一个错误吗?我如何检测这种情况何时发生?

这是在 Spark 2.4 上的 pyspark 中的演示:

>>> from pyspark.sql.functions import *
>>> from pyspark.sql.types import *
>>> df1 = spark.createDataFrame([('a', 9223372034559809871), ('b', 9223372034559809771)], ['group', 'id_int'])
>>> df1=df1.withColumn('id',col('id_int').cast(DecimalType(38,0)))
>>>
>>> df1.show()
+-----+-------------------+-------------------+
|group|             id_int|                 id|
+-----+-------------------+-------------------+
|    a|9223372034559809871|9223372034559809871|
|    b|9223372034559809771|9223372034559809771|
+-----+-------------------+-------------------+

>>>
>>> df2= spark.createDataFrame([(1, '9223372034559809871'), (2, '9223372034559809771')], ['value', 'id'])
>>> df2.show()
+-----+-------------------+
|value|                 id|
+-----+-------------------+
|    1|9223372034559809871|
|    2|9223372034559809771|
+-----+-------------------+

>>>
>>> df1.join(df2, ["id"]).show()
+-------------------+-----+-------------------+-----+
|                 id|group|             id_int|value|
+-------------------+-----+-------------------+-----+
|9223372034559809871|    a|9223372034559809871|    1|
|9223372034559809871|    a|9223372034559809871|    2|
|9223372034559809771|    b|9223372034559809771|    1|
|9223372034559809771|    b|9223372034559809771|    2|
+-------------------+-----+-------------------+-----+

>>> df1.dtypes
[('group', 'string'), ('id_int', 'bigint'), ('id', 'decimal(38,0)')]

最佳答案

这是因为连接键中的值(非常非常大)而发生的:

我调整了连接条件中的值,它给了我正确的结果:

from pyspark.sql.types import *
    
df1 = spark.createDataFrame([('a', 9223372034559809871), ('b', 9123372034559809771)],
                            ['group', 'id_int'])

df1=df1.withColumn('id',col('id_int').cast(DecimalType(38,0)))

df2= spark.createDataFrame([(1, '9223372034559809871'), (2, '9123372034559809771')],
                           ['value', 'id'])

df1.join(df2, df1["id"]==df2["id"],"inner").show()

https://stackoverflow.com/questions/56502029/

相关文章:

typescript - Promise.resolve(null) 的目的是什么

lua - 为什么不补间位置?

angular - 我的 Angular 应用程序的规模(缩放)在生产中单独增加

python - "pyenv virtualenvwrapper"是做什么的?

javascript - 将 Uint8Array 转换为 Float32Array

c# - 使用 AddOpenIdConnect 时,为什么要添加默认范围?

reactjs - Webpack 无法导入带有 ` 标记的 React 组件

r - 在 R studio 中安装 factoextra 包

tensorflow - 基于直方图定义 TF 中的损失函数

javascript - 简单的 react-spring 组件在 gatsby 中不起作用 - 元