python - 为每个变量找到最频繁的值(众数)

Question

我有一个类似这样的RDD

color  category
green  a
green  b
red    a
orange a
green  b
red    d
green  c
red    d
green  e

我正在尝试为每种颜色找到最常见的类别。像这样:

[green, b]  : 2
[red, d ]   : 2
[orange, a] : 1

使用后我已经完成了一半

rdd.countByValue()

在这种情况下会返回这样的字典:

(color=u'green', category=u'a'): 1
(color=u'green', category=u'b'): 2
(color=u'green', category=u'c'): 1
(color=u'green', category=u'e'): 1
(color=u'red', category=u'a'): 1
(color=u'red', category=u'd'): 2
(color=u'orange', category=u'a'): 1

从这一步我不知道如何获得每种颜色最常见的类别。提前致谢。

编辑:我正在尝试使用 contentDF.groupBy('color').agg({'category' : 'max'}).collect() 的不同方法，但我相信 agg 参数是错误的，因为它给出了整个表的总体最大值。有什么建议么？我觉得我越来越接近了!

编辑:我仍在寻找解决方案...现在我有一个这样的表:

 color category frequency
 green   a         1
 green   b         2
 green   c         1
 green   e         1
 red     a         1
 red     d         2
 orange  a         1

谁能建议一个 Spark SQL 查询来选择每个颜色组的最大值？

Answer 1

你可以使用collections.defaultdict:

import collections
with open("your_file") as f:
    my_dict = collections.defaultdict(int)
    next(f)
    for x in f:
        my_dict[x.strip()] +=1
    print my_dict