pyspark:仅基于 rdd 的操作
Posted
技术标签:
【中文标题】pyspark:仅基于 rdd 的操作【英文标题】:pyspark: rdd based operation only 【发布时间】:2019-11-09 18:24:37 【问题描述】:我正在尝试仅使用基于 rdd 的操作。我有一个类似的文件;
0, Alpha,-3.9, 4, 2001-02-01, 5, 20
0, Beta,-3.8, 3, 2002-02-01, 6, 21
1, Gamma,-3.7, 8, 2003-02-01, 7, 22
0, Alpha,-3.5, 5, 2004-02-01, 8, 23
0, Alpha,-3.9, 6, 2005-02-01, 8, 27
首先我将数据加载到 rdd 中,如下所示,
rdd = sc.textFile(myDataset)
然后我对每个 raw 中 first elements
的不同元素感兴趣。意思是Alpha, Beta, Gamma
。在这种情况下,我期望 3
不同的元素。
这就是我所做的,
coll = [] # to collect the distinct elements
list_ = rdd.collect() # to get the list
for i in list_:
result = myFun(i) # this function I created to process line by line and return a tuple.
if result[1] not in coll:
coll.append(result[1])
有没有更快/更好的方法来做到这一点,只使用基于 rdd 的操作?
【问题讨论】:
【参考方案1】:您可以将map
与distinct
一起使用,如下所示:
rdd = sc.textFile('path/to/file/input.txt')
rdd.take(10)
#[u'0, Alpha,-3.9, 4, 2001-02-01, 5, 20', u'0, Beta,-3.8, 3, 2002-02-01, 6, 21', u'1, Gamma,-3.7, 8, 2003-02-01, 7, 22', u'0, Alpha,-3.5, 5, 2004-02-01, 8, 23', u'0, Alpha,-3.9, 6, 2005-02-01, 8, 27']
list_ = rdd.map(lambda line: line.split(",")).map(lambda e : e[1]).distinct().collect()
list_
[u' Alpha', u' Beta', u' Gamma']
【讨论】:
以上是关于pyspark:仅基于 rdd 的操作的主要内容,如果未能解决你的问题,请参考以下文章