在Apache Spark中使用PySpark对Parquet数据进行全局排序并平均分割的解决方法如下所示：

from pyspark.sql import SparkSession
from pyspark.sql.functions import *
from pyspark.sql.window import Window

# 创建SparkSession
spark = SparkSession.builder.getOrCreate()

# 读取Parquet数据
df = spark.read.parquet("path/to/parquet")

# 添加全局排序列
df = df.withColumn("row_id", monotonically_increasing_id())

# 获取数据总数
total_count = df.count()

# 计算每个分区的平均记录数
avg_count_per_partition = total_count // num_partitions

# 计算每个分区的起始行号和结束行号
df = df.withColumn("partition_id", (col("row_id") // avg_count_per_partition).cast("integer"))
df = df.withColumn("partition_start", min("row_id").over(Window.partitionBy("partition_id")))
df = df.withColumn("partition_end", max("row_id").over(Window.partitionBy("partition_id")))

# 对数据进行全局排序
df = df.orderBy("row_id")

# 分割数据并保存到独立的Parquet文件
for partition_id in range(num_partitions):
    partition_df = df.filter((col("partition_id") == partition_id) & (col("row_id") >= col("partition_start")) & (col("row_id") <= col("partition_end")))
    partition_df.write.parquet(f"output/path/partition_{partition_id}")

在上面的代码中，我们首先创建了一个SparkSession对象，并使用spark.read.parquet函数读取Parquet数据。然后，我们为数据添加了一个全局排序列row_id，以便在后续步骤中进行排序。接下来，我们计算了每个分区的平均记录数，并使用窗口函数计算了每个分区的起始行号和结束行号。然后，我们对数据进行全局排序，并使用filter函数将数据分割为每个分区。最后，我们将每个分区的数据保存到独立的Parquet文件中。

请注意，上述代码中的num_partitions变量表示要分割的分区数，您可以根据实际需求进行调整。