pyspark:获取列表值的不同元素
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了pyspark:获取列表值的不同元素相关的知识,希望对你有一定的参考价值。
我有此格式的rdd,
rdd = sc.parallelize([('A', [1, 2, 4, 1, 2, 5]), ('B', [2, 3, 2, 1, 5, 10]), ('C', [3, 2, 5, 10, 5, 2])])
但是我想像下面那样改变rdd,
newrdd = [('A', [1, 2, 4, 5]), ('B', [2, 3, 1, 5, 10], ('C', [3, 2, 5, 10])]
意思是,我必须获得价值的独特要素。 ReduceByKey()
在这里没有帮助。
我该如何实现?
答案
自Spark 2.4起,您可以使用PySpark SQL函数array_distinct
:
df = rdd.toDF(("category", "values"))
df.withColumn("foo", array_distinct(col("values"))).show()
+--------+-------------------+----------------+
|category| values| foo|
+--------+-------------------+----------------+
| A| [1, 2, 4, 1, 2, 5]| [1, 2, 4, 5]|
| B|[2, 3, 2, 1, 5, 10]|[2, 3, 1, 5, 10]|
| C|[3, 2, 5, 10, 5, 2]| [3, 2, 5, 10]|
+--------+-------------------+----------------+
它具有不将JVM对象转换为Python对象的优点,因此比任何Python UDF都更有效。但是,它是一个DataFrame函数,因此您必须将RDD转换为DataFrame。在大多数情况下也建议这样做。
另一答案
这是在Python中获得结果的直接方法。请注意,RDD是不可变的。
Setup Spark会话/上下文
from pyspark.sql import SparkSession
from pyspark import SparkContext
spark = SparkSession.builder \
.master("local") \
.appName("SO Solution") \
.getOrCreate()
sc = spark.sparkContext
解决方案代码
rdd = sc.parallelize([('A', [1, 2, 4, 1, 2, 5]), ('B', [2, 3, 2, 1, 5, 10]), ('C', [3, 2, 5, 10, 5, 2])])
newrdd = rdd.map(lambda x : (x[0], list(set(x[1]))))
newrdd.collect()
输出
[('A', [1, 2, 4, 5]), ('B', [1, 2, 3, 5, 10]), ('C', [10, 2, 3, 5])]
另一答案
您可以将数组转换为设置以获取不同的值。这是-我对语法进行了一些更改以使用scala。
val spark : SparkSession = SparkSession.builder
.appName("Test")
.master("local[2]")
.getOrCreate()
import spark.implicits._
val df = spark.createDataset(List(("A", Array(1, 2, 4, 1, 2, 5)), ("B", Array(2, 3, 2, 1, 5, 10)), ("C", Array(3, 2, 5, 10, 5, 2))))
df.show()
val dfDistinct = df.map(r=> (r._1, r._2.toSet) )
dfDistinct.show()
另一答案
old_rdd = [('A', [1, 2, 4, 1, 2, 5]), ('B', [2, 3, 2, 1, 5, 10]), ('C', [3, 2, 5, 10, 5, 2])]
new_rdd = [(letter, set(numbers)) for letter, numbers in old_rdd]
喜欢吗?
或list(set(numbers))
,如果您真的需要它们作为列表吗?
以上是关于pyspark:获取列表值的不同元素的主要内容,如果未能解决你的问题,请参考以下文章
python, pyspark : 获取 pyspark 数据框列值的总和