检查点设置后未使用新的spark.sql.shuffle.partitions值

是指在Spark中设置了检查点（checkpoint）后，但未使用新的spark.sql.shuffle.partitions值来重新分区数据。

检查点是Spark中的一种机制，用于将RDD或DataFrame的数据持久化到磁盘上，以便在任务失败时能够快速恢复数据。检查点可以提高任务的容错性和性能。

而spark.sql.shuffle.partitions是Spark SQL中用于控制shuffle操作的参数，它指定了在进行shuffle操作时的分区数。shuffle操作是指需要将数据重新分区的操作，例如group by、join等。

当设置了检查点后，Spark会将数据写入到检查点目录中，并且会创建一个新的DAG图来表示从检查点开始的计算流程。在这种情况下，如果未使用新的spark.sql.shuffle.partitions值来重新分区数据，那么在重新计算时，Spark会使用之前的分区数，而不是根据新的参数值进行重新分区。

为了确保使用新的spark.sql.shuffle.partitions值进行重新分区，可以在设置检查点之前，先设置好该参数的值，然后再进行检查点的设置。这样在重新计算时，Spark会根据新的参数值进行分区，以保证计算的正确性和性能。

推荐的腾讯云相关产品是腾讯云的云服务器（CVM）和弹性MapReduce（EMR）。

• 腾讯云云服务器（CVM）：提供了高性能、可扩展的云服务器实例，可用于部署Spark集群和进行大规模数据处理。详情请参考：腾讯云云服务器
• 腾讯云弹性MapReduce（EMR）：是一种大数据处理服务，可快速构建和管理Spark集群，并提供了丰富的数据处理工具和功能。详情请参考：腾讯云弹性MapReduce

通过使用腾讯云的云服务器和弹性MapReduce，可以方便地搭建和管理Spark集群，并进行大规模数据处理和分析。同时，腾讯云还提供了其他丰富的云计算产品和解决方案，可满足不同场景和需求的云计算需求。