在spark中，有没有一种快速的方法来获取数据集中元素数量的近似计数？也就是说，比Dataset.count() does.
也许我们可以根据数据集的分区数量来计算这些信息，可以吗？
你可以尝试使用countApprox在 RDD API 上，尽管这也启动了 Spark 作业，但它应该更快，因为它只是为您提供了您想要花费的给定时间（毫秒）的真实计数的估计和置信区间（即真实值的概率）是在这个范围内）：
用法示例：
val cntInterval = df.rdd.countApprox(timeout = 1000L,confidence = 0.90)
val (lowCnt,highCnt) = (cntInterval.initialValue.low, cntInterval.initialValue.high)
你必须稍微调整一下参数timeout and confidence。超时值越高，估计计数越准确。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
