scala - 如何计算由 Spark 中的 (Key, [Value]) 对组成的 RDD 中每对的平均值？

Question

我对 Scala 和 Spark 都很陌生，所以如果我完全错误地解决了这个问题，请原谅我。导入一个csv文件，过滤，映射后；我有一个 RDD，它是一堆 (String, Double) 对。

(b2aff711,-0.00510)
(ae095138,0.20321)
(etc.)

当我在 RDD 上使用 .groupByKey() 时，

val grouped = rdd1.groupByKey()

获得带有一堆 (String, [Double]) 对的 RDD。 (我不知道 CompactBuffer 是什么意思，也许会导致我的问题？)

(32540b03,CompactBuffer(-0.00699, 0.256023))
(a93dec11,CompactBuffer(0.00624))
(32cc6532,CompactBuffer(0.02337, -0.05223, -0.03591))
(etc.)

一旦它们被分组，我就会尝试取平均值和标准偏差。我想简单地使用 .mean() 和 .sampleStdev()。当我尝试创建一个新的 RDD 方法时，

val mean = grouped.mean()

返回错误

Error:(51, 22) value mean is not a member of org.apache.spark.rdd.RDD[(String, Iterable[Double])]

val mean = grouped.mean( )

我已经导入了 org.apache.spark.SparkContext._
我还尝试使用 sampleStdev( )、.sum( )、.stats( ) 获得相同的结果。不管是什么问题，它似乎都影响了所有的数字 RDD 操作。

Answer 1

让我们考虑以下几点:

val data = List(("32540b03",-0.00699), ("a93dec11",0.00624),
                ("32cc6532",0.02337) , ("32540b03",0.256023),
                ("32cc6532",-0.03591),("32cc6532",-0.03591))

val rdd = sc.parallelize(data.toSeq).groupByKey().sortByKey()

计算每对均值的一种方法如下:

您需要定义一个平均方法:

def average[T]( ts: Iterable[T] )( implicit num: Numeric[T] ) = {
   num.toDouble( ts.sum ) / ts.size
}

您可以在 rdd 上应用您的方法，如下所示:

val avgs = rdd.map(x => (x._1, average(x._2)))

您可以检查:

avgs.take(3)

这是结果:

res4: Array[(String, Double)] = Array((32540b03,0.1245165), (32cc6532,-0.016149999999999998), (a93dec11,0.00624))