ApacheSparkの主キー

スカラ ：

必要なのが一意の番号だけの場合は、zipWithUniqueIdを使用できます DataFrameを再作成します。最初にいくつかのインポートとダミーデータ：

import sqlContext.implicits._
import org.apache.spark.sql.Row
import org.apache.spark.sql.types.{StructType, StructField, LongType}

val df = sc.parallelize(Seq(
    ("a", -1.0), ("b", -2.0), ("c", -3.0))).toDF("foo", "bar")

さらに使用するためにスキーマを抽出します：

val schema = df.schema

IDフィールドの追加：

val rows = df.rdd.zipWithUniqueId.map{
   case (r: Row, id: Long) => Row.fromSeq(id +: r.toSeq)}

DataFrameの作成：

val dfWithPK = sqlContext.createDataFrame(
  rows, StructType(StructField("id", LongType, false) +: schema.fields))

Pythonでも同じです：

from pyspark.sql import Row
from pyspark.sql.types import StructField, StructType, LongType

row = Row("foo", "bar")
row_with_index = Row(*["id"] + df.columns)

df = sc.parallelize([row("a", -1.0), row("b", -2.0), row("c", -3.0)]).toDF()

def make_row(columns):
    def _make_row(row, uid):
        row_dict = row.asDict()
        return row_with_index(*[uid] + [row_dict.get(c) for c in columns])
    return _make_row

f = make_row(df.columns)

df_with_pk = (df.rdd
    .zipWithUniqueId()
    .map(lambda x: f(*x))
    .toDF(StructType([StructField("id", LongType(), False)] + df.schema.fields)))

連続番号が必要な場合は、zipWithUniqueIdを置き換えることができます zipWithIndexを使用しかし、それは少し高価です。

DataFrameを使用して直接 API ：

（ほぼ同じ構文のユニバーサルScala、Python、Java、R）

以前、monotonicallyIncreasingIdを見逃していました連続した番号を必要としない限り、問題なく機能する関数：

import org.apache.spark.sql.functions.monotonicallyIncreasingId

df.withColumn("id", monotonicallyIncreasingId).show()
// +---+----+-----------+
// |foo| bar|         id|
// +---+----+-----------+
// |  a|-1.0|17179869184|
// |  b|-2.0|42949672960|
// |  c|-3.0|60129542144|
// +---+----+-----------+

monotonicallyIncreasingIdは便利ですが非決定論的です。 IDは実行ごとに異なる可能性があるだけでなく、後続の操作にフィルターが含まれている場合、追加のトリックなしでは行を識別するために使用できません。

注：

rowNumberを使用することもできますウィンドウ関数：

from pyspark.sql.window import Window
from pyspark.sql.functions import rowNumber

w = Window().orderBy()
df.withColumn("id", rowNumber().over(w)).show()

残念ながら：

警告ウィンドウ：ウィンドウ操作用にパーティションが定義されていません！すべてのデータを単一のパーティションに移動すると、パフォーマンスが大幅に低下する可能性があります。

したがって、データを分割して一意性を確保する自然な方法がない限り、現時点では特に有用ではありません。