Spark & Python 2.7 - 复杂的数据结构 - GroupByKey

Posted 2023-04-15

【中文标题】Spark & Python 2.7 - 复杂的数据结构 - GroupByKey

【英文标题】：Spark & Python 2.7 - Complicated Data Structure - GroupByKey

【发布时间】：2017-06-26 14:21:06

【问题描述】：

我有一个如下所示的 rdd：

totalsrdd = [((2, 16),[[1,2,3,...,36],[2,2,3,...,36]]),((2,17),[[1,2,3,...,36]]),...]

键是天 (2,16) 等，它们分别对应于一个或多个 36 个数字的列表。对于每个日期，我需要一个列表，其中列表中的第 i 个条目是每个列表中第 i 个条目的平均值，或者相​​应日期的列表。

例如，对于 (2,16)，第一个条目的平均值为 (1+2)/(36+36) 或 .04166，因为该日期有两个列表。

newRdd = [((2,16),[[.04166,.055555,.083333,...,1]]),(2,17),[[.027777,.055555,.083333,...,1]]),...]

由于 (2,17) 只有一个列表，因此列表中的每个条目都除以 36。

这是我到目前为止的代码。数据远不止两个日期。

def get_partition(x):
    j = [(x[1][i]).total_seconds() for i in range(len(x[1]))]
    return (x[0],j)
newTimeDeltaRdd2 = newtimeDeltaRdd.map(lambda x : ((x[1].month,x[1].day), x[0]))
totals = newTimeDeltaRdd2.map(lambda x: (get_partition(x)))
totalsrdd = totals.groupByKey().map(lambda x : (x[0], list(x[1])))

谢谢！

【问题讨论】：

是否可以将 totalsrdd 转换为字典？这将使这变得容易得多。

您可能希望将操作1+2/36+36 编辑为(1+2)/(36+36)。

也许我在这里遗漏了一些东西，但newrdd = totalsrdd.mapValues(lambda l: [sum(x)/len(l) for x in zip(*l)]) 不会做这项工作吗？

或/(len(l)*36)) 用于您对平均值的定义，我不太明白。 (1+2)/2 是平均值的正常定义。

【参考方案1】：

这是获取newrdd的可能解决方案：

totalsrdd = [((2, 16),[[1,2,3,...,36],[2,2,3,...,36]]),((2,17),[[1,2,3,...,36]]),...]

newrdd = []
for key, _list in totalsrdd:
    averages = []
    for i in range(36):
        averages.append(sum([_l[i] for _l in _list]) / 36 * len(_list))
    newrdd.append((key, averages)) 

【讨论】：

答案不应该没有解释 - 请编辑您的答案并添加解释更改的内容和原因

我收到一条错误消息，提示“PipelinedRDD”对象不可迭代

【参考方案2】：

会产生您描述的行为的快速而肮脏的解决方案。

我还是会考虑使用字典

import numpy as np
for entry in totalsrdd:
    sum = np.zeros(36)
    for ls in entry[1]:
        sum = np.add(sum, ls)
    sum = np.divide(sum, len(entry[1]) * 36)
    entry[1] = sum

【讨论】：

这更新了 totalsrdd。让它创建newrdd 将是一个小修改。

我收到一条错误消息，提示“PipelinedRDD”对象不可迭代