apache-spark - .select() 到底做了什么？

Question

我在使用 .select() 时遇到了一个令人惊讶的行为:

>>> my_df.show()
+---+---+---+
|  a|  b|  c|
+---+---+---+
|  1|  3|  5|
|  2|  4|  6|
+---+---+---+

>>> a_c = s_df.select(col("a"), col("c")) # removing column b
>>> a_c.show()
+---+---+
|  a|  c|
+---+---+
|  1|  5|
|  2|  6|
+---+---+

>>> a_c.filter(col("b") == 3).show() # I can still filter on "b"!
+---+---+
|  a|  c|
+---+---+
|  1|  5|
+---+---+

这种行为让我想知道......我的以下几点正确吗？

DataFrames 只是 View ，一个简单的 DataFrame 就是一个 View 本身。就我而言 a_c只是查看 my_df .

当我创建 a_c没有创建新数据，a_c只是指向相同的数据 my_df是指。

如果有其他相关信息，请补充!

Answer 1

这是因为 Spark 的惰性。它足够“聪明”，可以将过滤器向下推，使其发生在较低的级别 - 在过滤器之前*。所以，因为这一切都发生在同一个 stage 中执行并且仍然能够解决。事实上，您可以在 explain 中看到这一点。 :

== Physical Plan ==
*Project [a#0, c#2]
+- *Filter (b#1 = 3) <---Filter before Project
   +- LocalTableScan [A#0, B#1, C#2]

但是，您可以强制洗牌和新阶段，然后看到您的过滤器失败。甚至在编译时捕获它。下面是一个例子:

a_c.groupBy("a","c").count.filter(col("b") === 3)

*还有一个投影修剪，如果它意识到它在任何时候都不需要列，则将选择下推到数据库层。但是我相信过滤器会导致它“需要”它而不是修剪......但我没有测试过。