python - PySpark ReduceByKey

Question

我一直试图让它工作一段时间，但每次都失败了。我有 2 个文件。有一个名字列表:

Name1
Name2
Name3
Name4

另一个是与几年中一年中每一天的名称关联的值列表:

['0.1,0.2,0.3,0.4',
 '0.5,0.6,0.7,0.8', 
 '10,1000,0.2,5000'
  ...]

目标是让输出像这样:

Name1: [0.1,0.5,10]
Name2: [0.2,0.6,1000]
Name3:[0.3,0.7,0.2]
Name4:[0.4,0.8,5000]

然后为每个绘制直方图。我编写了一个映射器，它创建一个元组列表，产生以下输出(这是一个 RDD 对象):

[[('Name1', [0.1]),('Name2', [0,2]),('Name3', [0.3]),('Name4', [0.4])],
[('Name1', [0.5]),('Name2', [0,6]),('Name3', [0.7]),('Name4', [0.8])],
[('Name1', [10]),('Name2', [1000]),('Name3', [0.8]),('Name4', [5000])]]

现在我需要将每个名称的所有值连接到一个列表中，但是我尝试的每个键值映射都返回了错误的结果。

Answer 1

您可以简单地遍历每个并使用 dict.setdefault() 从中创建字典.示例 -

>>> ll = [[('Name1', [0.1]),('Name2', [0,2]),('Name3', [0.3]),('Name4', [0.4])],
... [('Name1', [0.5]),('Name2', [0,6]),('Name3', [0.7]),('Name4', [0.8])],
... [('Name1', [10]),('Name2', [1000]),('Name3', [0.8]),('Name4', [5000])]]
>>> d = {}
>>> for i in ll:
...     for tup in i:
...             d.setdefault(tup[0],[]).extend(tup[1])
...
>>> pprint.pprint(d)
{'Name1': [0.1, 0.5, 10],
 'Name2': [0, 2, 0, 6, 1000],
 'Name3': [0.3, 0.7, 0.8],
 'Name4': [0.4, 0.8, 5000]}

---

对于 Pyspark RDD 对象，尝试一个简单的 reduce 函数，例如 -

func = lambda x,y: x+y

然后将其发送到 reduceByKey 方法 -

object.reduceByKey(func)

---

根据评论，实际上 OP 有一个 RDD 对象列表(不是单个 RDD 对象)，在这种情况下，您可以通过调用 .collect() 将 RDD 对象转换为列表。然后执行逻辑，然后你可以决定是否要将结果作为 python 字典或 RDD 对象，如果你想先。您可以调用 dict.items() 获取键值对并调用 sc.parrallelize 。示例 -

d = {}
for i in ll:
    c = i.collect()
    for tup in i:
            d.setdefault(tup[0],[]).extend(tup[1])

rddobj = sc.parallelize(d.items())