派斯帕克 : how to split data without randomnize

Question

有函数可以随机化溢出的数据

trainingRDD, validationRDD, testRDD = RDD.randomSplit([6, 2, 2], seed=0L)

我很好奇是否有一种方法可以在相同的分区(train 60/valid 20/test 20)但没有随机化(假设使用当前数据拆分前 60 = train, next 20 =valid and last 20 are for test data)

有没有一种可能的方法来拆分数据，类似于拆分但不是随机化的方式？

Answer 1

这里的基本问题是，除非你的数据中有一个索引列，否则你的 RDD 中没有“第一行”和“下一行”的概念，它只是一个无序集合。如果你有一个整数索引列，你可以这样做:

train = RDD.filter(lambda r: r['index'] % 5 <= 3)
validation = RDD.filter(lambda r: r['index'] % 5 == 4)
test = RDD.filter(lambda r: r['index'] % 5 == 5)