pyspark进行词频统计并返回topN

Posted Sea_Sky

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进行词频统计并返回topN相关的知识,希望对你有一定的参考价值。

Part I:词频统计并返回topN

统计的文本数据:

what do you do
how do you do
how do you do
how are you
from operator import add

from pyspark import SparkContext


def sort_t():
    sc = SparkContext(appName="testWC")
    data = sc.parallelize(["what do you do", "how do you do", "how do you do", "how are you"])
    result = data.flatMap(lambda x: x.split(" ")) \\
        .map(lambda x: (x, 1)). \\
        reduceByKey(add). \\
        sortBy(lambda x: x[1], False).take(3)
    for k, v in result:
        print k, v


if __name__ == \'__main__\':
    sort_t()

 

 

 

Part II:调用排序算法并返回topN

样本数据 numbers_data.txt:

15561
112
-40
51467112
234
8561
112
-34
53467111 121
2345 789 34
14561 -21
12112 101 100
-4 23
51467111
2434
15567
132
-14
51467111
237

  

from pyspark import SparkContext


def solve():
    sc = SparkContext(appName="Sort_test_example")
    lines = sc.textFile("../input/numbers_data.txt")
    results = lines.flatMap(lambda x: x.split(" ")) \\
        .map(lambda x: (int(x), 1)) \\
        .sortByKey(ascending=False).take(3)
    output = results
    for (key, value) in output:
        print key
    print key


if __name__ == \'__main__\':

solve()

注:若出现并列时,返回多个并列的数 

 

以上是关于pyspark进行词频统计并返回topN的主要内容,如果未能解决你的问题,请参考以下文章

201671010432词频统计软件项目报告

Spark算法实例:词频统计

NLP 实战 | CSDN topN指数月排行榜竞赛动画

NLP 实战 | CSDN topN指数月排行榜竞赛动画

NLP 实战 | CSDN topN指数月排行榜竞赛动画

文本词频统计