- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
实际上我有一个包含一些蛋白质名称及其域的 RDD。我使用笛卡尔函数来确定它可能的对。结果我不幸得到了重复的对。如何只保留一个元组并删除重复的元组?这是一个例子:
+------------------------------------+------------------------------------+
| Protein1 | Protein2 |
+------------------------------------+------------------------------------+
|(P0C2L1,IPR0179) |(P0CW05,IPR004372;IPR000890) |
|(P0CW05,IPR004372;IPR000890) |(P0C2L1,IPR0179) |
|(B2UDV1,IPR0104) |(Q4R8P0,IPR029058;IPR000073;IPR0266)|
|(Q4R8P0,IPR029058;IPR000073;IPR0266)|(B2UDV1,IPR0104) |
+------------------------------------+------------------------------------+
我想要:
+------------------------------------+------------------------------------+
| Protein1 | Protein2 |
+------------------------------------+------------------------------------+
|(P0C2L1,IPR0179) |(P0CW05,IPR004372;IPR000890) |
|(B2UDV1,IPR0104) |(Q4R8P0,IPR029058;IPR000073;IPR0266)|
+------------------------------------+------------------------------------+
最佳答案
我根据提供的信息假设了输入数据并实现了以下解决方案。
确实如此:
注意:要使其起作用,必须满足“长度(蛋白质 1)> 长度(蛋白质 2)”。如果 OP 提供更清晰的输入数据,我们将致力于开发更多解决方案。
//Creating the paired RDD as provided by OP
var x: RDD[(String, String)] = sc.parallelize(Seq((("P0C2L1,IPR0179"), ("P0CW05,IPR004372;IPR000890")), (("P0CW05,IPR004372;IPR000890"),("P0C2L1,IPR0179") ), (("B2UDV1,IPR0104"),("Q4R8P0,IPR029058;IPR000073;IPR0266")), (("Q4R8P0,IPR029058;IPR000073;IPR0266"),("B2UDV1,IPR0104")) ))
//Creating as spark dataframe out of this RDD
var combDF = spark.createDataFrame(x).toDF("Protein1","Protein2")
combDF.show(20,false)
//+------------------------------------+------------------------------------+
//|Protein1 |Protein2 |
//+------------------------------------+------------------------------------+
//|(P0C2L1,IPR0179) |(P0CW05,IPR004372;IPR000890) |
//|(P0CW05,IPR004372;IPR000890) |(P0C2L1,IPR0179) |
//|(B2UDV1,IPR0104) |(Q4R8P0,IPR029058;IPR000073;IPR0266)|
//|(Q4R8P0,IPR029058;IPR000073;IPR0266)|(B2UDV1,IPR0104) |
//+------------------------------------+------------------------------------+
// creating temporary views
combDF.createOrReplaceTempView("combDF")
// Below statement is only required for this example just to cast to struct
combDF = spark.sql("""select named_struct("col1", element_at(split(Protein1,","),1), "col2", element_at(split(Protein1,","),2)) as Protein1,
named_struct("col1", element_at(split(Protein2,","),1), "col2", element_at(split(Protein2,","),2)) as Protein2
from combDF""")
//end
combDF.createOrReplaceTempView("combDF")
combDF.show()
var result = spark.sql("""
|select case when length(Protein1_m) > length(Protein2_m) then element_at(protein_array, 2)
| else element_at(protein_array, 1)
| end as Protein1,
| case when length(Protein1_m) > length(Protein2_m) then element_at(protein_array, 1)
| else element_at(protein_array, 2)
| end as Protein2
|from
|(select Protein1, Protein2, cast(Protein1 as string) as Protein1_m, cast(Protein2 as string) as Protein2_m,
| array(Protein1,Protein2) as protein_array
|from combDF) a
""".stripMargin).dropDuplicates()
// Result in spark dataframe
result.show(20,false)
//+-----------------+-------------------------------------+
//|Protein1 |Protein2 |
//+-----------------+-------------------------------------+
//|(B2UDV1,IPR0104) |(Q4R8P0,IPR029058;IPR000073;IPR0266) |
//|(P0C2L1,IPR0179) |(P0CW05,IPR004372;IPR000890) |
//+-------------------+-----------------------------------+
// result in RDD
var resultRDD = result.rdd
resultRDD.collect().foreach(println)
//[(B2UDV1,IPR0104),(Q4R8P0,IPR029058;IPR000073;IPR0266)]
//[(P0C2L1,IPR0179),(P0CW05,IPR004372;IPR000890)]
关于scala - 如何使用 scala 删除重复的元组?笛卡尔 Scala Spark,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/62608414/
目前正在学习 Spark 的类(class)并了解到执行者的定义: Each executor will hold a chunk of the data to be processed. Thisc
阅读了有关 http://spark.apache.org/docs/0.8.0/cluster-overview.html 的一些文档后,我有一些问题想要澄清。 以 Spark 为例: JavaSp
Spark核心中的调度器与以下Spark Stack(来自Learning Spark:Lightning-Fast Big Data Analysis一书)中的Standalone Schedule
我想在 spark-submit 或 start 处设置 spark.eventLog.enabled 和 spark.eventLog.dir -all level -- 不要求在 scala/ja
我有来自 SQL Server 的数据,需要在 Apache Spark (Databricks) 中进行操作。 在 SQL Server 中,此表的三个键列使用区分大小写的 COLLATION 选项
所有这些有什么区别和用途? spark.local.ip spark.driver.host spark.driver.bind地址 spark.driver.hostname 如何将机器修复为 Sp
我有大约 10 个 Spark 作业,每个作业都会进行一些转换并将数据加载到数据库中。必须为每个作业单独打开和关闭 Spark session ,每次初始化都会耗费时间。 是否可以只创建一次 Spar
/Downloads/spark-3.0.1-bin-hadoop2.7/bin$ ./spark-shell 20/09/23 10:58:45 WARN Utils: Your hostname,
我是 Spark 的完全新手,并且刚刚开始对此进行更多探索。我选择了更长的路径,不使用任何 CDH 发行版安装 hadoop,并且我从 Apache 网站安装了 Hadoop 并自己设置配置文件以了解
TL; 博士 Spark UI 显示的内核和内存数量与我在使用 spark-submit 时要求的数量不同 更多细节: 我在独立模式下运行 Spark 1.6。 当我运行 spark-submit 时
spark-submit 上的文档说明如下: The spark-submit script in Spark’s bin directory is used to launch applicatio
关闭。这个问题是opinion-based .它目前不接受答案。 想改善这个问题吗?更新问题,以便可以通过 editing this post 用事实和引文回答问题. 6 个月前关闭。 Improve
我想了解接收器如何在 Spark Streaming 中工作。根据我的理解,将有一个接收器任务在执行器中运行,用于收集数据并保存为 RDD。当调用 start() 时,接收器开始读取。需要澄清以下内容
有没有办法在不同线程中使用相同的 spark 上下文并行运行多个 spark 作业? 我尝试使用 Vertx 3,但看起来每个作业都在排队并按顺序启动。 如何让它在相同的 spark 上下文中同时运行
我们有一个 Spark 流应用程序,这是一项长期运行的任务。事件日志指向 hdfs 位置 hdfs://spark-history,当我们开始流式传输应用程序时正在其中创建 application_X
我们正在尝试找到一种加载 Spark (2.x) ML 训练模型的方法,以便根据请求(通过 REST 接口(interface))我们可以查询它并获得预测,例如http://predictor.com
Spark newb 问题:我在 spark-sql 中进行完全相同的 Spark SQL 查询并在 spark-shell . spark-shell版本大约需要 10 秒,而 spark-sql版
我正在使用 Spark 流。根据 Spark 编程指南(参见 http://spark.apache.org/docs/latest/programming-guide.html#accumulato
我正在使用 CDH 5.2。我可以使用 spark-shell 运行命令。 如何运行包含spark命令的文件(file.spark)。 有没有办法在不使用 sbt 的情况下在 CDH 5.2 中运行/
我使用 Elasticsearch 已经有一段时间了,但使用 Cassandra 的经验很少。 现在,我有一个项目想要使用 Spark 来处理数据,但我需要决定是否应该使用 Cassandra 还是
我是一名优秀的程序员,十分优秀!