Spark中RDD的高效與DAG圖有著莫大的關係，在DAG調度中需要對計算過程劃分stage，而劃分依據就是RDD之間的依賴關係。
針對不同的轉換函數，RDD之間的依賴關係分類窄依賴（narrow dependency）和寬依賴（wide dependency, 也稱 shuffle dependency）。
- 窄依賴是指父RDD的每個分區只被子RDD的一個分區所使用，子RDD分區通常對應常數個父RDD分區(O(1)，與數據規模無關)
- 相應的，寬依賴是指父RDD的每個分區都可能被多個子RDD分區所使用，子RDD分區通常對應所有的父RDD分區(O(n)，與數據規模有關) 寬依賴和窄依賴如下圖所示：
相比於寬依賴，窄依賴對優化很有利 ，主要基於以下兩點：
- 寬依賴往往對應著shuffle操作，需要在運行過程中將同一個父RDD的分區傳入到不同的子RDD分區中，中間可能涉及多個節點之間的數據傳輸；而窄依賴的每個父RDD的分區只會傳入到一個子RDD分區中，通常可以在一個節點內完成轉換。
- 當RDD分區丟失時（某個節點故障），spark會對數據進行重算。
- 對於窄依賴，由於父RDD的一個分區只對應一個子RDD分區，這樣只需要重算和子RDD分區對應的父RDD分區即可，所以這個重算對數據的利用率是100%的；
- 對於寬依賴，重算的父RDD分區對應多個子RDD分區，這樣實際上父RDD 中只有一部分的數據是被用於恢復這個丟失的子RDD分區的，另一部分對應子RDD的其它未丟失分區，這就造成了多餘的計算；更一般的，寬依賴中子RDD分區通常來自多個父RDD分區，極端情況下，所有的父RDD分區都要進行重新計算。
如下圖所示，b1分區丟失，則需要重新計算a1,a2和a3，這就產生了冗餘計算(a1,a2,a3中對應b2的數據)。
以下是文章
區分這兩種依賴很有用。
首先，窄依賴允許在一個集群節點上以流水線的方式（pipeline）計算所有父分區。例如，逐個元素地執行map、然後filter操作；而寬依賴則需要首先計算好所有父分區數據，然後在節點之間進行Shuffle，這與MapReduce類似。
第二，窄依賴能夠更有效地進行失效節點的恢復，即只需重新計算丟失RDD分區的父分區，而且不同節點之間可以並行計算；而對於一個寬依賴關係的Lineage圖，單個節點失效可能導致這個RDD的所有祖先丟失部分分區，因而需要整體重新計算。
之前一直理解錯了，以為窄依賴中每個子RDD可能對應多個父RDD,當子RDD丟失時會導致多個父RDD進行重新計算，所以窄依賴不如寬依賴有優勢。
而實際上應該深入到分區級別去看待這個問題，而且重算的效用也不在於算的多少，而在於有多少是冗餘的計算。窄依賴中需要重算的都是必須的，所以重算不冗餘。
窄依賴的函數有：map, filter, union, join(父RDD是hash-partitioned ), mapPartitions, mapValues
寬依賴的函數有：groupByKey, join(父RDD不是hash-partitioned ), partitionBy
閱讀更多 高級大數據工程師 的文章
