考虑以下PySpark DataFrame：

将此 PySpark DataFrame 随机拆分为 2 sub-DataFrames，行拆分为 75-25：

尽管我们预计第一个 DataFrame 包含 3 行，而第二个 DataFrame 包含 1 行，但我们看到分割是 50-50。这是因为，如上所述，randomSplit(~) 基于伯努利采样。

seed 参数用于再现性。例如，考虑以下PySpark DataFrame：

鉴于 PySpark DataFrame 以完全相同的方式分区，使用相同的种子运行 randomSplit(~) 方法将保证相同的分割：

多次运行上述操作将始终产生相同的分割，因为 PySpark DataFrame 的分区是相同的。

我们可以通过将 DataFrame 转换为 RDD，然后使用 glom() 方法来查看 PySpark DataFrame 的行是如何分区的：

在这里，我们看到 PySpark DataFrame 被分为 8 个分区，但其中一半是空的。

让我们使用 repartition(~) 更改分区：

尽管 DataFrame 的内容相同，但我们现在只有 2 个分区，而不是 8 个分区。

让我们使用与之前相同的种子 ( 24 ) 来调用 randomSplit(~) ：

请注意，即使我们使用相同的种子，我们最终也会得到不同的分裂。这证实了 seed 参数仅在底层分区相同时才保证一致的分割。您应该谨慎对待这种行为，因为分区在洗牌操作后可能会发生变化(例如 join(~) 和 groupBy(~) )。