python - 在 pyspark 中重新划分密集矩阵

Question

我在 pyspark 中有一个密集矩阵 (100*100)，我想将它重新分区 分成十组，每组包含 10 行。

from pyspark import SparkContext, SparkConf
from pyspark.mllib import *
sc = SparkContext("local", "Simple App")
dm2 = Matrices.dense(100, 100, RandomRDDs.uniformRDD(sc, 10000).collect())
newRdd = sc.parallelize(dm2.toArray())
rerdd = newRdd.repartition(10)

上面的代码导致 rerdd 包含 100 个元素。我想将此矩阵 dm2 呈现为按行划分的 block (例如，一个分区中有 10 行)。

Answer 1

我没有多大意义，但你可以例如做这样的事情

mat =  Matrices.dense(100, 100, np.arange(10000))

n_par = 10
n_row = 100

rdd = (sc
    .parallelize(
        # Add indices
        enumerate(
            # Extract and reshape values
            mat.values.reshape(n_row, -1)))
    # Partition and sort by row index
    .repartitionAndSortWithinPartitions(n_par, lambda i: i // n_par))

检查分区数和每个分区的行数:

rdd.glom().map(len).collect()
## [10, 10, 10, 10, 10, 10, 10, 10, 10, 10

检查第一行是否包含所需数据:

assert np.all(rdd.first()[1] == np.arange(100))