快速压缩的镶木地板文件出现意外的数据大小问题

问题描述

df1 - large dataset
df2 = df1.sample(tiny_fraction)

df1 is written to disk as a parquet with snappy compression (~75GB)
df2 is written to disk as a parquet with snappy compression (~90GB)

df3 = read df2's saved parquet
# set sql context to use snappy compression
df3.partition(1).save() -> (~100MB)

df4 = read df1's saved parquet
df4.sample(tiny_fraction).partition(1).save() -> (~100MB)

子采样数据帧（未重新分区）的文件大小大于原始数据集 有没有人知道为什么会发生这种情况？

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）