使用 monotonically_increasing_id() 将行号分配给 pyspark 数据帧

我使用 monotonically_increasing_id() 使用以下语法将行号分配给 pyspark 数据帧：

df1 = df1.withColumn("idx", monotonically_increasing_id())

现在 df1 有 26,572,528 条记录。所以我期望 idx 值在 0-26,572,527 之间。

但当我选择 max(idx) 时，它的值却大得出奇：335,008,054,165。

这个函数是怎么回事？ 使用此函数与具有相似记录数的另一个数据集合并是否可靠？

我有大约 300 个数据帧，我想将它们组合成一个数据帧。因此，一个数据帧包含 ID，其他数据帧包含与它们按行对应的不同记录

Edit：可以找到执行此操作的方法和风险的完整示例here

来自文档

生成单调递增 64 位整数的列。

生成的ID保证单调递增且唯一，但不连续。当前的实现将分区 ID 放在高 31 位中，将每个分区内的记录号放在低 33 位中。假设数据框的分区数少于10亿个，每个分区的记录数少于80亿条。

因此，它不像 RDB 中的自增 id，而是not合并可靠。

如果您需要像 RDB 中那样的自动增量行为并且您的数据是可排序的，那么您可以使用row_number

df.createOrReplaceTempView('df')
spark.sql('select row_number() over (order by "some_column") as num, * from df')
+---+-----------+
|num|some_column|
+---+-----------+
|  1|   ....... |
|  2|   ....... |
|  3| ..........|
+---+-----------+

如果您的数据不可排序并且您不介意使用 rdds 创建索引然后回退到数据帧，您可以使用rdd.zipWithIndex()

可以找到一个例子here

简而言之：

# since you have a dataframe, use the rdd interface to create indexes with zipWithIndex()
df = df.rdd.zipWithIndex()
# return back to dataframe
df = df.toDF()

df.show()

# your data           | indexes
+---------------------+---+
|         _1          | _2| 
+-----------=---------+---+
|[data col1,data col2]|  0|
|[data col1,data col2]|  1|
|[data col1,data col2]|  2|
+---------------------+---+

之后您可能需要更多的转换才能使您的数据框达到您需要的效果。注意：这不是一个非常高性能的解决方案。

希望这可以帮助。祝你好运！

Edit:想一想，你可以结合monotonically_increasing_id使用row_number:

# create a monotonically increasing id 
df = df.withColumn("idx", monotonically_increasing_id())

# then since the id is increasing but not consecutive, it means you can sort by it, so you can use the `row_number`
df.createOrReplaceTempView('df')
new_df = spark.sql('select row_number() over (order by "idx") as num, * from df')

但不确定性能。