如何從 Spark 的 DataFrame 中取出具體某一行？
如何從 Spark 的 DataFrame 中取出具體某一行?
根據阿里專家Spark的DataFrame不是真正的DataFrame-秦續業的文章-知乎[1]的文章：
- DataFrame 應該有『保證順序，行列對稱』等規律
- 因此「Spark DataFrame 和 Koalas 不是真正的 DataFrame」
確實可以運行，但卻看到一句話，大意是數據會被放到一個分區來執行，這正是因為數據本身之間并不保證順序，因此只能把數據收集到一起，排序，再調用 shift。這樣就不再是一個分布式的程序了，甚至比 pandas 本身更慢。
我們可以明確一個前提：Spark 中 DataFrame 是 RDD 的擴展，限于其分布式與彈性內存特性，我們沒法直接進行類似 df.iloc(r, c) 的操作來取出其某一行。
但是現在我有個需求，分箱，具體來講，需要『排序后遍歷每一行及其鄰居比如 i 與 i+j』，因此，我們必須能夠獲取數據的某一行!
不知道有沒有高手有好的方法?我只想到了以下幾招!
1/3排序后select再collect
collect 是將 DataFrame 轉換為數組放到內存中來。但是 Spark 處理的數據一般都很大，直接轉為數組，會爆內存。
因此不能直接 collect 。
要處理哪一列，就直接 select('列名') 取出這一列就好，再 collect 。我的數據有 2e5 * 2e4 這么多，因此 select 后只剩一列大小為 2e5 * 1 ，還是可以 collect 的。
這顯然不是個好方法!因為無法處理真正的大數據，比如行很多時。
2/3排序后加index然后用SQL查找
給 DataFrame 實例 .sort("列名") 后，用 SQL 語句查找：
- select 列名 from df_table where 索引列名 = i
我對于 SQL 不是很了解，因此這個做法只是在構思階段。
此外，我不清楚 SQL 的性能!我要調用很多次 df.iloc[i, 列] ，那這樣會不會太慢了?
3/3排序后加index然后轉置查找列名
這個想法也只是停留在腦子里!因為會有些難度。
給每一行加索引列，從0開始計數，然后把矩陣轉置，新的列名就用索引列來做。
之后再取第 i 個數，就 df(i.toString) 就行。
這個方法似乎靠譜。
附加方案：ml.feature.Bucketizer
- import org.apache.spark.ml.feature.{Bucketizer, QuantileDiscretizer}
spark中 Bucketizer 的作用和我實現的需求差不多(盡管細節不同)，我猜測其中也應該有相似邏輯。有能力和精力了應該去讀讀源碼，看看官方怎么實現的。
參考資料
[1]Spark的DataFrame不是真正的DataFrame-秦續業的文章-知乎:
https://zhuanlan.zhihu.com/p/135329592
