scala - 在 Spark RDD (Scala) 中指定元素的子集

Question

我的数据集是一个 RDD[Array[String]]，有 140 多列。如何在不对列号 (.map(x => (x(0),x(3),x(6)...)) 进行硬编码的情况下选择列的子集？

这是我到目前为止(成功)尝试过的方法:

val peopleTups = people.map(x => x.split(",")).map(i => (i(0),i(1)))

但是，我需要多个列，并且希望避免对它们进行硬编码。

这是我迄今为止尝试过的方法(我认为会更好，但失败了):

// Attempt 1
val colIndices = [0,3,6,10,13]
val peopleTups = people.map(x => x.split(",")).map(i => i(colIndices))

// Error output from attempt 1:
<console>:28: error: type mismatch;
 found   : List[Int]
 required: Int
       val peopleTups = people.map(x => x.split(",")).map(i => i(colIndices))

// Attempt 2
colIndices map peopleTups.lift

// Attempt 3
colIndices map peopleTups

// Attempt 4
colIndices.map(index => peopleTups.apply(index))

我发现了这个问题并进行了尝试，但是因为我正在查看 RDD 而不是数组，所以它没有用:How can I select a non-sequential subset elements from an array using Scala and Spark?

Answer 1

您应该映射到 RDD 而不是索引。

val list = List.fill(2)(Array.range(1, 6))
// List(Array(1, 2, 3, 4, 5), Array(1, 2, 3, 4, 5))

val rdd = sc.parallelize(list) // RDD[Array[Int]]
val indices = Array(0, 2, 3)

val selectedColumns = rdd.map(array => indices.map(array)) // RDD[Array[Int]]

selectedColumns.collect() 
// Array[Array[Int]] = Array(Array(1, 3, 4), Array(1, 3, 4))