他們兩個都是RDD的分區進行重新劃分，repartition只是coalesce接口中shuffle為true的簡易實現，（假設RDD有N個分區，需要重新劃分成M個分區）
1）、N<M。壹般情況下N個分區有數據分布不均勻的狀況，利用HashPartitioner函數將數據重新分區為M個，這時需要將shuffle設置為true。
2）如果N>M並且N和M相差不多，(假如N是1000，M是100)那麽就可以將N個分區中的若幹個分區合並成壹個新的分區，最終合並為M個分區，這時可以將shuff設置為false，在shuffl為false的情況下，如果M>N時，coalesce為無效的，不進行shuffle過程，父RDD和子RDD之間是窄依賴關系。
3）如果N>M並且兩者相差懸殊，這時如果將shuffle設置為false，父子RDD是窄依賴關系，他們同處在壹個Stage中，就可能造成spark程序的並行度不夠，從而影響性能，如果在M為1的時候，為了使coalesce之前的操作有更好的並行度，可以講shuffle設置為true。
總之：如果shuff為false時，如果傳入的參數大於現有的分區數目，RDD的分區數不變，也就是說不經過shuffle，是無法將RDDde分區數變多的。