python - Spark 中的总和变坏了

Question

基于 Unbalanced factor of KMeans? ，我正在尝试计算不平衡因子，但我失败了。

RDD r2_10 的每个元素都是一对，其中键是簇，值是点元组。这些都是ID。下面我介绍会发生什么:

In [1]: r2_10.collect()
Out[1]: 
[(0, ('438728517', '28138008')),
 (13824, ('4647699097', '6553505321')),
 (9216, ('2575712582', '1776542427')),
 (1, ('8133836578', '4073591194')),
 (9217, ('3112663913', '59443972', '8715330944', '56063461')),
 (4609, ('6812455719',)),
 (13825, ('5245073744', '3361024394')),
 (4610, ('324470279',)),
 (2, ('2412402108',)),
 (3, ('4766885931', '3800674818', '4673186647', '350804823', '73118846'))]

In [2]: pdd = r2_10.map(lambda x: (x[0], 1)).reduceByKey(lambda a, b: a + b)

In [3]: pdd.collect()
Out[3]: 
[(13824, 1),
 (9216, 1),
 (0, 1),
 (13825, 1),
 (1, 1),
 (4609, 1),
 (9217, 1),
 (2, 1),
 (4610, 1),
 (3, 1)]

In [4]: n = pdd.count()

In [5]: n
Out[5]: 10

In [6]: total = pdd.map(lambda x: x[1]).sum() 

In [7]: total
Out[7]: 10

和 total 应该是总点数。然而，10岁……目标是22岁!

我在这里错过了什么？

Answer 1

问题是因为您没有计算每个集群中分组的点数，因此您必须更改 pdd 的创建方式。

pdd = r2_10.map(lambda x: (x[0], len(x[1]))).reduceByKey(lambda a, b: a + b)

但是，您可以通过映射 RDD 的值，然后使用 进行缩减，在一次通过中获得相同的结果(无需计算 pdd)求和。

total = r2_10.map(lambda x: len(x[1])).sum()