- 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?
我正在使用 Beam 管道计算流式数据的电话号码频率。我使用的滑动窗口每 5 分钟重复一次,总周期为 15 分钟,因此正如预期的那样,对于某些输入,当输入落在多个窗口中时,我会得到多个输出。
计算出现次数后,我想求出输入特征的平均值。输入是像这样的元组:
('phone_number', '123')
('phone_number', '456')
('phone_number', '456')
('phone_number', '456')
管道的第一部分是计算每个数字的频率:
| 'window' >> beam.WindowInto(window.SlidingWindows(900, 300))
| 'pair_with_one' >> beam.Map(lambda x: (x, 1))
| 'count_occurences' >> beam.combiners.Count.PerKey()
我的计算正确,我可以计算每个数字的频率,得到 3 个结果,因为每个周期有 3 个滑动窗口(在我们的例子中,456 次调用中有 2 次在同一个窗口中,第三次在一个不同的):
(('phone_number', '123'), 1)
(('phone_number', '123'), 1)
(('phone_number', '123'), 1)
(('phone_number', '456'), 2)
(('phone_number', '456'), 2)
(('phone_number', '456'), 2)
(('phone_number', '456'), 1)
(('phone_number', '456'), 1)
(('phone_number', '456'), 1)
现在,我想在计算的所有窗口值中找到每个电话号码的平均值,即:
(('phone_number', '123'), 1.0)
(('phone_number', '456'), 1.5)
我管道中的下一步是
| 'Find Means' >> beam.combiners.Mean.PerKey()
但这只是给了我:
(('phone_number', '123'), 1.0)
(('phone_number', '123'), 1.0)
(('phone_number', '123'), 1.0)
(('phone_number', '456'), 2.0)
(('phone_number', '456'), 2.0)
(('phone_number', '456'), 2.0)
(('phone_number', '456'), 1.0)
(('phone_number', '456'), 1.0)
(('phone_number', '456'), 1.0)
有什么方法可以对前一个结果进行另一次 beam.combiners 计算?
最佳答案
beam.combiners.Mean.PerKey() 给您错误输出的原因是组合器为您提供了为每个键+窗口计算的单个值。
然而,这里还有更多。在流处理中开窗的原因是为了确保输入在产生结果之前是有界的。也就是说,流式管道的输入通常是无界的,这意味着除非管道终止,否则它们永远不会停止接收数据。因此不可能计算所有窗口的值,因为您需要永远等待。
在我看来,您似乎在尝试计算“在比较所有可能的滑动 15 分钟窗口时,每 5 分钟滑动一次,电话号码在 15 分钟窗口中出现的平均次数”。如果不是这种情况,请澄清以帮助我理解
由于我们需要以某种方式限制计算,因此可以周期性地输出结果,即对于每个窗口,并不断输出新结果,更新它直到管道结束。这应该可以通过 StatefulDoFn 实现。
为此我建议:
像这样:
class ComputeMeanStatefulDoFn(DoFn):
TOTAL_STATE = CombiningStateSpec('total', sum)
COUNT_STATE = CombiningStateSpec('count', sum)
def process(self, element,
total=DoFn.StateParam(TOTAL_STATE),
count=DoFn.StateParam(COUNT_STATE)):
key_phone_number, value_window_count = element
current_count = count.read() + 1
current_total = total.read() + value_window_count
mean = current_total / current_count
# You can emit every N results to reduce the volume
# but please make sure to at least emit the first M << N results
yield (key_phone_number, mean)
total.add(value_window_count)
count.add(1)
| 'window' >> beam.WindowInto(window.SlidingWindows(900, 300))
| 'pair_with_one' >> beam.Map(lambda x: (x, 1))
| 'count_occurences' >> beam.combiners.Count.PerKey()
| 'window_globally' >> beam.WindowInto(window.GlobalWindows)
| 'compute_mean_across_windows' >> beam.ParDo(ComputeMeanStatefulDoFn)
本质上,这里发生的是总和和计数存储到持久性/磁盘中,每次新元素到达全局窗口时我们都会重新计算新的均值。
注意:您需要处理多次为同一个键发出更新后的平均值。 IE。您可能希望覆盖包含您的结果的 BigQuery 表中的一行。
注意:根据您尝试计算的语义,您可能希望从 SlidingWindows 函数发出空窗口,以便将它们包含在下游均值计算中。
注意:您不能在此处使用 Combine.globally,因为它永远不会终止,这是由于流式管道中无限输入的性质。我相信如果您尝试启动这样的管道,这可能会出错。
关于python - 数据流 : using beam. combiners 上一个 beam.combiners 的结果,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/60738647/
是否可以插入到初始表,然后使用插入的 ID 插入到主表中,该主表在一个数据流的列之间具有外键约束? 我是集成服务的新手,不知道这些功能 场景: 表 A - ID - DESC 表 B - ID - A
在 Azure 数据流中,在聚合转换中是否可以在分组依据中动态包含列?我在分组依据中可能需要 8 列,具体取决于它们的值,即如果值为 1,则包含在分组依据中。 简化为 2 列: Column1
我想要实现的是在azure数据流中包含错误处理,如果在传输行时发生错误,它不应该失败,它会处理其他行并将发生错误的行的ID保存在文本文件或日志中 示例: 假设我们有 10 行要沉入表中,不知何故我们在
我的数据流作业将源和接收器作为突触数据库。 我在从突触数据库提取数据时有一个源查询,其中包含数据流中的联接和转换。 众所周知,底层的数据流将启动 databricks 集群来执行数据流代码。 我的问题
这是关于非常常见的传感器数据处理问题。 为了同步和合并来自不同来源的传感器数据,我想用 Java 实现它,而不需要太复杂的第三个库或框架。 假设我定义了一个对象 (O),它由 4 个属性 (A1,..
我开始从事一个项目,我需要使用 PowerTrack/GNIP 流式传输 Twitter 数据,老实说,我在网络方面非常非常缺乏经验,而且我完全不了解网络方面的知识到数据流 (HTTP),它们如何工作
我有一个后端要用 Python 实现,它应该将数据流式传输到 JavaScript 正在创建表示的 Web 浏览器(例如,不断更新变量或绘制到 )。 该数据将以高达 100 Hz 的速率更新(最坏情
我构建了一个简单的 MERN 应用程序,用户可以在其中对电话号码进行评分。用户只需填写电话号码,选择评级(1 - 5 星评级)、城市和短文本。该应用程序具有带过滤和排序选项的搜索功能。这一切都足够好
我在 TPL 数据流上使用顺序管道构建,它由 3 个块组成: B1 - 准备消息 B2 - 将消息发布到远程服务 B3 - 保存结果 问题是如何在发生服务关闭等错误时关闭管道。管道必须以受控方式关闭,
我在 ADF 数据流中有一个数据集(ADLS Gen2 中存在的 csv 文件)。我第一次尝试进行数据预览时,原始文件中的所有列都正确显示。然后,我从 csv 文件中删除了第一列并刷新了“数据预览”选
我正在使用 ADF v2 DataFlow ativity 将数据从 Blob 存储中的 csv 文件加载到 Azure SQL 数据库中的表中。在数据流(源 - Blob 存储)中,在源选项中,有一
我有很多带有嵌套列表的 json 文件需要展平。问题是它们是不同的,我不想为它们每一个创建一个分支。如何通过输入参数动态执行具有“展开依据”和“输入列”字段的展平事件? 谢谢! 最佳答案 对于展开方式
我一直在尝试使用 Azure 数据工厂的数据流在文件的小数列中进行数据类型检查,但它没有按预期工作。我的问题如下: 我想检查数字 121012132.12 是否为小数,因此我使用数据流的派生列并编写表
我们使用 Azure 数据流在 Azure SQL 数据仓库中生成数据表的历史记录。在数据流中,我们在所有列上使用 md5 或 sha1 函数来生成唯一的行指纹来检测记录中的更改,或识别已删除/新记录
我们使用 Azure 数据流在 Azure SQL 数据仓库中生成数据表的历史记录。在数据流中,我们在所有列上使用 md5 或 sha1 函数来生成唯一的行指纹来检测记录中的更改,或识别已删除/新记录
我之前使用 bz2 来尝试解压缩输入。我想要解码的输入已经是压缩格式,因此我决定将格式输入到交互式 Python 控制台中: >>> import bz2 >>> bz2.decompress(inp
在测试 WPF 项目中,我尝试使用 TPL 数据流来枚举给定父目录的所有子目录,并创建具有特定文件扩展名的文件列表,例如“.xlsx”。我使用 2 个 block ,第一个 dirToFilesBlo
问题:为什么使用 WriteOnceBlock (或 BufferBlock )用于从另一个 BufferBlock 取回答案(类似回调) (取回答案发生在发布的 Action 中)导致死锁(在此代码
此代码永远不会到达最后一行,因为完成不会从 saveBlock 传播到 sendBlock。我做错了什么? var readGenerateBlock = new TransformBlock(n =
好吧,我知道我的问题需要更多的指导,而不是技术细节,但我希望 SO 成员不会介意 TPL 数据流的新手提出一些非常基础的问题。 我有一个简单的 Windows 窗体应用程序,它负责从我系统上的 Exc
我是一名优秀的程序员,十分优秀!