从 scala Spark 中的 RDD[type] 获取不同的行

Posted 2023-04-15

【中文标题】从 scala Spark 中的 RDD[type] 获取不同的行

【英文标题】：Get distinct rows from RDD[type] in scala Spark

【发布时间】：2019-03-28 07:09:19

【问题描述】：

假设我有这样一个 RDD[employee] 格式的 RDD 和如下示例数据：-

FName,LName,Department,Salary
dubert,tomasz ,paramedic i/c,91080.00,
edwards,tim p,lieutenant,114846.00,
edwards,tim p,lieutenant,234846.00,
edwards,tim p,lieutenant,354846.00,
elkins,eric j,police,104628.00,
estrada,luis f,police officer,96060.00,
ewing,marie a,clerk,53076.00,
ewing,marie a,clerk,13076.00,
ewing,marie a,clerk,63076.00,
finn,sean p,firefighter,87006.00,
fitch,jordan m,law clerk,14.51
fitch,jordan m,law clerk,14.51

预期输出：-

dubert,tomasz ,paramedic i/c,91080.00,
edwards,tim p,lieutenant,354846.00,
elkins,eric j,police,104628.00,
estrada,luis f,police officer,96060.00,
ewing,marie a,clerk,63076.00,
finn,sean p,firefighter,87006.00,
fitch,jordan m,law clerk,14.51

我想要每个基于不同 Fname 的单行

【参考方案1】：

我想你想做这样的事情：

df
.groupBy('Fname)
.agg(
  first('LName),
  first('Department),
  first('Salary)
)

【讨论】：

嘿，你不觉得，groupBy 是非常繁重的操作，分组一个批次意味着遍历所有行，即 log(n) 操作。此分组本身需要 1-2 秒。

@Pinnacle group by 是一种广泛的用户操作，在您的情况下是一种预期的解决方案。

是的@AlexandrosBiratsis 我了解，但我只是想知道是否有任何其他方法可以不使用 group by ，因为在我的情况下它会产生开销和处理时间。可能这是唯一的方法。非常感谢您的回复。