pyspark reduce键是一个元组值嵌套列表
Posted
技术标签:
【中文标题】pyspark reduce键是一个元组值嵌套列表【英文标题】:pyspark reduce key being a tuple values nested lists 【发布时间】:2016-05-09 09:57:42 【问题描述】:我的问题如下:我正在解析用户交互,每次检测到交互时我都会发出 ((user1,user2),((date1,0),(0,1)))。这里的零代表交互的方向。
我无法弄清楚为什么我不能使用以下 reduce 函数来减少此输出:
def myFunc2(x1,x2):
return (min(x1[0][0],x2[0][0]),max(x1[0][0],x2[0][0]),min(x1[0][1],x2[0][1]),max(x1[0][1],x2[0][1]),x1[1][0]+x2[1][0],x1[1][1]+x2[1][1])
我的映射器 (flatmap(myFunc)) 的输出是正确的:
((7401899, 5678002), ((1403185440.0, 0), (1, 0))) ((82628194, 22251869), ((0, 1403185452.0), (0, 1))) ((2162276, 98056200), ((1403185451.0, 0), (1, 0))) ((0509420, 4827510), ((1403185449.0, 0), (1, 0))) ((7974923, 9235930), ((1403185450.0, 0), (1, 0))) ((250259, 6876774), ((0, 1403185450.0), (0, 1))) ((642369, 6876774), ((0, 1403185450.0), (0, 1))) ((82628194, 22251869), ((0, 1403185452.0), (0, 1))) ((2162276, 98056200), ((1403185451.0, 0), (1, 0)))
但正在运行
lines.flatMap(myFunc) \
.map(lambda x: (x[0], x[1])) \
.reduceByKey(myFunc2)
给我错误
返回 (min(x1[0][0],x2[0][0]),max(x1[0][0],x2[0][0]),min(x1[0][ 1],x2[0][1]),max(x1[0][1],x2[0][1]),x1[1][0]+x2[1][0],x1[1 ][1]+x2[1][1])
TypeError: 'int' 对象没有属性 'getitem'
我想我在我的键中弄乱了一些东西,但我不知道为什么(我试图将键重铸为元组,如 here 所说但同样的错误)
有什么想法吗?非常感谢
【问题讨论】:
【参考方案1】:好的,我认为这里的问题是您在没有您想象的那么深的项目中索引得太深。
我们来看看myFunc2
def myFunc2(x1,x2):
return (min(x1[0][0],x2[0][0]),max(x1[0][0],x2[0][0]),min(x1[0][1],x2[0][1]),max(x1[0][1],x2[0][1]),x1[1][0]+x2[1][0],x1[1][1]+x2[1][1])
鉴于您的上述问题,输入数据将如下所示:
((467401899, 485678002), ((1403185440.0, 0), (1, 0)))
让我们继续并将该数据行分配给一个变量。
x = ((467401899, 485678002), ((1403185440.0, 0), (1, 0)))
当我们运行x[0]
时会发生什么?我们得到(467401899, 485678002)
。当我们运行x[1]
?我们得到((1403185440.0, 0), (1, 0))
。这就是你的map
声明所做的,我相信。
好的。这很清楚。
在您的函数myFunc2
中,您有两个参数x1
和x2
。这些对应于上面的变量:x1 = x[0] = (467401899, 485678002)
和 x2 = x[1] = ((1403185440.0, 0), (1, 0))
现在让我们只检查函数中return
语句的第一部分。
min(x1[0][0], x2[0][0])
所以,x1 = (467401899, 485678002)
。凉爽的。现在,x1[0]
是什么?好吧,那是467401899
。明显地。可是等等! x1[0][0]
是什么?您尝试在x1[0]
处获取项目的第零个索引,但x1[0]
处的项目不是list
或tuple
,它只是int
。而<type 'int'>
的对象没有名为getitem
的方法。
总而言之:您对嵌套不那么深的对象挖掘得太深了。仔细考虑您传递给 myFunc2
的内容,以及您的对象有多深。
我认为myFunc2
的返回语句的第一部分应该如下所示:
return min(x1[0], x2[0][0])
。您可以在 x2
上进行更深入的索引,因为 x2
具有更深的嵌套元组!
当我运行以下命令时,它工作得很好:
a = sc.parallelize([((7401899, 5678002), ((1403185440.0, 0), (1, 0))),
((82628194, 22251869), ((0, 1403185452.0), (0, 1))),
((2162276, 98056200), ((1403185451.0, 0), (1, 0))),
((1509420, 4827510), ((1403185449.0, 0), (1, 0))),
((7974923, 9235930), ((1403185450.0, 0), (1, 0))),
((250259, 6876774), ((0, 1403185450.0), (0, 1))),
((642369, 6876774), ((0, 1403185450.0), (0, 1))),
((82628194, 22251869), ((0, 1403185452.0), (0, 1))),
((2162276, 98056200), ((1403185451.0, 0), (1, 0)))])
b = a.map(lambda x: (x[0], x[1])).reduceByKey(myFunc2)
b.collect()
[((1509420, 4827510), ((1403185449.0, 0), (1, 0))),
((2162276, 98056200), (1403185451.0, 1403185451.0, 0, 0, 2, 0)),
((7974923, 9235930), ((1403185450.0, 0), (1, 0))),
((7401899, 5678002), ((1403185440.0, 0), (1, 0))),
((642369, 6876774), ((0, 1403185450.0), (0, 1))),
((82628194, 22251869), (0, 0, 1403185452.0, 1403185452.0, 0, 2)),
((250259, 6876774), ((0, 1403185450.0), (0, 1)))]
【讨论】:
我不确定是否会关注你。 myfunc2 是传递给减速器的函数吗?x1 = x[0]
是我的钥匙,是 (467401899, 485678002)
。所以,我可能在这里遗漏了一些东西,但是 myfun2 需要两个输入,即具有相同键的两个值。所以 x1 和 x2 的格式应该是((1403185440.0, 0), (1, 0))
。我想这是我在这里遗漏了一点,但我不明白为什么应该将密钥作为输入传递给减速器(措辞不好)。
我想我可能也很难理解你的例子。您能否在问题中添加更多数据,例如((467401899, 485678002), ((1403185440.0, 0), (1, 0)))
?这样我就可以实际运行代码并尝试复制您的错误。
再次感谢您的回答。我认为问题可能来自flatmap
之后(不必要的)使用map
,但我在map
之前和之后得到相同的输出以及相同的错误。我认为我的代码中有一个错误,用于使用键 (user_id_1,user_id_2)
对记录进行分组,但我无法弄清楚我做错了什么
@HorusH 根据您的示例数据,我在上面添加了新代码。以上是关于pyspark reduce键是一个元组值嵌套列表的主要内容,如果未能解决你的问题,请参考以下文章