pyspark比较dropDuplicates()+count与count(Distinct)

近期在统计一个半年之久的数据时，先是使用了countDisitnct("id")方法，计算速度很慢，还容易出现数据倾斜。但因为这个groupBy的key非常之多，有上亿条，根本无法用mapPartition来做中间计算，以为光这个key就足够报OOM错误了。

无奈之下还是得用count的方法硬计算，但又想找到更快的计算方式。多翻查找后，发现使用df.dropDuplicates(cols_).groupBy("").agg(count("id"))计算结果跟df.groupBy("").agg(countDistinct("id"))结果一样，有时计算速度还会稍微快一点。所以记录下。

原理：

1 distinct：返回一个不包含重复记录的DataFrame

返回当前DataFrame中不重复的Row记录。该方法和接下来的dropDuplicates()方法不传入指定字段时的结果相同。
示例 :

df.distinct()

2 dropDuplicates：根据指定字段去重

根据指定字段去重。类似于select distinct a, b操作
示例：

train.select('Age','Gender').dropDuplicates().show()

3 应用示例

# 1 countDistinct()

cate1 = action_info.groupBy("window_type", "first_cate_cd") \
            .agg(countDistinct("user_id").alias("user_cnt"))
cate1.show()

# 2 .dropDuplicates()
view_shop = action_info.select("user_id","first_cate_cd","shop_id")\
     .dropDuplicates().repartition(10000, col("user_id"),col("shop_id")) \
     .groupBy("first_cate_cd","shop_id") \
     .agg(count("user_id").alias("user_cnt"))

在数据量不大的时候看不出计算速度的差距的，数据量到了一定的量级后，计算速度也差不太多。