pyspark 数据框和多边形（geopandas）之间的空间连接

Question

问题 ：

我想在以下之间进行空间连接：

• 带有点（例如道路上的点）的大型 Spark 数据框（500M 行）
• 带有多边形（例如区域边界）的小型 geojson（20000 个形状）。

这是我到目前为止所拥有的，我发现它很慢（很多调度程序延迟，可能是因为公社没有广播）：

@pandas_udf(schema_out, PandasUDFType.GROUPED_MAP)
def join_communes(traces):   
    geometry = gpd.points_from_xy(traces['longitude'], traces['latitude'])
    gdf_traces = gpd.GeoDataFrame(traces, geometry=geometry, crs = communes.crs)
    joined_df = gpd.sjoin(gdf_traces, communes, how='left', op='within')
    return joined_df[columns]

pandas_udf 将一些点数据帧（轨迹）作为熊猫数据帧，将其转换为带有 geopandas 的 GeoDataFrame，并操作与多边形GeoDataFrame的空间连接（因此受益于 Geopandas 的 Rtree 连接）

问题：

有没有办法让它更快？我知道我的公社地理数据框位于 Spark Driver 的内存中，并且每个工作人员都必须在每次调用 udf 时下载它，这是正确的吗？

但是我不知道如何让这个 GeoDataFrame 直接对工作人员可用（如在广播连接中）

有任何想法吗 ？

Answer 1

一年后，这就是我最终按照@ndricca建议做的事情，技巧是广播公社，但你不能广播直接，GeoDataFrame所以你必须将其作为 Spark DataFrame 加载，然后在广播之前将其转换为 JSON它。然后使用（众所周知的文本：将几何对象编码为文本的方法）重建GeoDataFrameUDF 内部shapely.wkt

另一个技巧是在 groupby 中使用 salt 来确保集群中数据的平等重新分配

import geopandas as gpd
from shapely import wkt
from pyspark.sql.functions import broadcast
communes = gpd.load_file('...communes.geojson')
# Use a previously created spark session
traces= spark_session.read_csv('trajectoires.csv')
communes_spark = spark.createDataFrame(communes[['insee_comm', 'wkt']])
communes_json = provinces_spark.toJSON().collect()
communes_bc = spark.sparkContext.broadcast(communes_json)

@pandas_udf(schema_out, PandasUDFType.GROUPED_MAP)
def join_communes_bc(traces):
    communes = pd.DataFrame.from_records([json.loads(c) for c in communes_bc.value])
    polygons = [wkt.loads(w) for w in communes['wkt']]
    gdf_communes = gpd.GeoDataFrame(communes, geometry=polygons, crs=crs )
    geometry = gpd.points_from_xy(traces['longitude'], traces['latitude'])
    gdf_traces = gpd.GeoDataFrame(traces , geometry=geometry, crs=crs)
    joined_df = gpd.sjoin(gdf_traces, gdf_communes, how='left', op='within')
    return joined_df[columns]
    

traces = traces.groupby(salt).apply(join_communes_bc)