repartitionByRange

Devolve uma nova DataFrame particionada pelas expressões de partição dadas. O DataFrame resultante é particionado por intervalo.

Sintaxe

repartitionByRange(numPartitions: Union[int, "ColumnOrName"], *cols: "ColumnOrName")

Parâmetros

Parâmetro Tipo Descrição
numPartitions int pode ser um int para especificar o número alvo de partições ou uma Coluna. Se for uma Coluna, será usada como a primeira coluna de particionamento. Se não especificado, é usado o número padrão de partições.
cols str ou Column particionar colunas.

Devoluções

DataFrame: DataFrame reparticionado.

Notes

Pelo menos uma expressão particionada deve ser especificada. Quando não é especificada uma ordem de ordenação explícita, assume-se "nulos ascendentes primeiro".

Por razões de desempenho, este método utiliza a amostragem para estimar os intervalos. Assim, a saída pode não ser consistente, uma vez que a amostragem pode devolver valores diferentes. O tamanho da amostra pode ser controlado pela configuração spark.sql.execution.rangeExchange.sampleSizePerPartition.

Exemplos

from pyspark.sql import functions as sf
spark.createDataFrame(
    [(14, "Tom"), (23, "Alice"), (16, "Bob")], ["age", "name"]
).repartitionByRange(2, "age").select(
    "age", "name", sf.spark_partition_id()
).show()
# +---+-----+--------------------+
# |age| name|SPARK_PARTITION_ID()|
# +---+-----+--------------------+
# | 14|  Tom|                   0|
# | 16|  Bob|                   0|
# | 23|Alice|                   1|
# +---+-----+--------------------+
  • Last updated on