[Spark] Pair RDD常见转化操作
本篇博客中的操作都在 ./bin/pyspark
中执行。
对单个 Pair RDD 的转化操作
下面会对 Pair RDD 的一些转化操作进行解释。先假设我们有下面这些RDD(在pyspark中操作):
nums = sc.parallelize( [ (1,2) ,(3,4) ,(3,6) ] )
x = sc.parallelize( [ (1,[2,4,5]) ,(4,[7,8,0]) ,(4,[6,7,5])] )
reduceByKey
概述:合并具有相同键值的值。
例子:
>>> nums.reduceByKey(lambda x, y : x + y).collect()
[(1, 2), (3, 10)]
>>>
>>> x.reduceByKey(lambda x, y: x + y).collect()
[(1, [2, 4, 5]), (4, [7, 8, 0, 6, 7, 5])]
这个方法操作的是值(Values),对上面的两个RDD的操作,第一个是对值做加法,第二个是对列表合并;这两个操作都可以使用lambda x, y : x + y
来完成。
再来一个例子,求平均值,(下面的这个RDD的键值中,第一个值是总和,第二个值是数量):
>>> test = sc.parallelize([('panda', (1,2)), ('pink',(7,2)), ('pirate',(3,1))])
>>> test.mapValues(lambda (x,y): x / (y* 1.0)).collect()
[('panda', 0.5), ('pink', 3.5), ('pirate', 3.0)]
groupByKey
groupByKey
方法的目的是对具有相同键值的数据进行分组,比如说:
>>> l = nums.groupByKey().collect()[1][1]
>>> l
<pyspark.resultiterable.ResultIterable object at 0x109320f10>
>>> for i in l:
... print i
...
4
6
直观地来说,对nums
这个RDD的groupByKey
操作可以表示为:
[(1,2),(3,4),(3,6)] -> [ (1,[2]), (3, [4,6] )]
然后是对于x
这个RDD的:
>>> x = sc.parallelize( [ (1,[2,4,5]) ,(4,[7,8,0]) ,(4,[6,7,5])] )
>>> l = x.groupByKey().collect()
>>> l
[(1, <pyspark.resultiterable.ResultIterable object at 0x109310690>), (4, <pyspark.resultiterable.ResultIterable object at 0x109310050>)]
>>> l2 = l[1][1]
>>> l2
<pyspark.resultiterable.ResultIterable object at 0x109310050>
>>> for i in l2:
... print i
...
[7, 8, 0]
[6, 7, 5]
直观的来说:
[ (1,[2,4,5]), (4,[7,8,0]) ,(4,[6,7,5] ) ]
+
| +-------------+
| | RDD.join |
| +-------------+
v
[ (1,[2,4,5]), (4, [ [6,7,5], [7,8,0] ] ) ]
mapValues
这个比较好理解,对每个键值进行操作:
>>> nums.mapValues(lambda x : x+ 3).collect()
[(1, 5), (3, 7), (3, 9)]
flatMapValues
这个方法的作用是对pair RDD 的每个值(values)生成一个与原键(key)对应的键值对记录。
x = sc.parallelize( [ (1,[2,4,5]) ,(4,[7,8,0]) ,(4,[6,7,5])] )
>>> def f(x):
... return x
...
>>> x.flatMapValues(f).collect()
[(1, 2), (1, 4), (1, 5), (4, 7), (4, 8), (4, 0), (4, 6), (4, 7), (4, 5)]
这个可以用"flat"这个英文单词的意思来大致理解一下,flat有使变平,拍扁的意思。
对于 nums
这种RDD是进行不了这个方法的。
keys()
返回所有的键值:
>>> nums.keys().collect()
[1, 3, 3]
>>> x.keys().collect()
[1, 4, 4]
values
返回所有的值:
>>> nums.values().collect()
[2, 4, 6]
>>> x.values().collect()
[[2, 4, 5], [7, 8, 0], [6, 7, 5]]
sortByKey
按照键值排序,这个比较好理解:
>>> notSorted = sc.parallelize( [ (7,[2,4,5]) ,(9,[7,8,0]) ,(4,[6,7,5])] )
>>> notSorted.sortByKey().collect()
[(4, [6, 7, 5]), (7, [2, 4, 5]), (9, [7, 8, 0])]
对2个Pair RDD的转化操作
这里我们有:
other = sc.parallelize([(3,9)])
nums = sc.parallelize([(1,2),(3,4),(3,6)])
subtractByKey
返回一个减去两个RDD中一样的Key的RDD,可以理解为除去下图中重合的部分:
一个例子:
>>> nums.subtractByKey(other).collect()
[(1, 2)]
join
这个操的作描为:返回一个RDD,返回的RDD只包含输入的两个RDD都包含的键值,每个键值对形如(k, (v1, v2))
,其中v1
被自己包含,v2
被另一个RDD包含。一个例子:
>>> x = sc.parallelize([("a", 1), ("b", 4)])
>>> y = sc.parallelize([("a", 2), ("a", 3)])
>>> x.join(y).collect()
[('a', (1, 2)), ('a', (1, 3))]
可以理解为:
同理换做我们开始提到的两个RDD:
>>> nums.join(other).collect()
[(3, (4, 9)), (3, (6, 9))]
rightOuterJoin && leftOuterJoin
这两个方法的Join的原理和上面的join一样,关于left 和 right 的说明是:
- right:确保右边的RDD的键必须存在
- left:确保左边的RDD的键必须存在
一个例子:
>>> nums.rightOuterJoin(other).collect()
[(3, (4, 9)), (3, (6, 9))]
>>> nums.leftOuterJoin(other).collect()
[(1, (2, None)), (3, (4, 9)), (3, (6, 9))]
[Spark] Pair RDD常见转化操作的更多相关文章
- spark中RDD的转化操作和行动操作
本文主要是讲解spark里RDD的基础操作.RDD是spark特有的数据模型,谈到RDD就会提到什么弹性分布式数据集,什么有向无环图,本文暂时不去展开这些高深概念,在阅读本文时候,大家可以就把RDD当 ...
- spark Pair RDD 基础操作
下面是Pair RDD的API讲解 转化操作 reduceByKey:合并具有相同键的值: groupByKey:对具有相同键的值进行分组: keys:返回一个仅包含键值的RDD: values:返回 ...
- Spark RDD概念学习系列之Pair RDD的transformation操作
不多说,直接上干货! Pair RDD的transformation操作 Pair RDD转换操作1 Pair RDD 可以使用所有标准RDD 上转化操作,还提供了特有的转换操作. Pair RDD转 ...
- Spark RDD概念学习系列之Pair RDD的action操作
不多说,直接上干货! Pair RDD的action操作 所有基础RDD 支持的行动操作也都在pair RDD 上可用
- Spark中RDD的常用操作(Python)
弹性分布式数据集(RDD) Spark是以RDD概念为中心运行的.RDD是一个容错的.可以被并行操作的元素集合.创建一个RDD有两个方法:在你的驱动程序中并行化一个已经存在的集合:从外部存储系统中引用 ...
- Spark学习之键值对(pair RDD)操作(3)
Spark学习之键值对(pair RDD)操作(3) 1. 我们通常从一个RDD中提取某些字段(如代表事件时间.用户ID或者其他标识符的字段),并使用这些字段为pair RDD操作中的键. 2. 创建 ...
- Spark学习摘记 —— RDD转化操作API归纳
本文参考 在阅读了<Spark快速大数据分析>动物书后,大概了解到了spark常用的api,不过书中并没有给予所有api具体的示例,而且现在spark的最新版本已经上升到了2.4.5,动物 ...
- spark中的pair rdd,看这一篇就够了
本文始发于个人公众号:TechFlow,原创不易,求个关注 今天是spark专题的第四篇文章,我们一起来看下Pair RDD. 定义 在之前的文章当中,我们已经熟悉了RDD的相关概念,也了解了RDD基 ...
- [Spark] Spark的RDD编程
本篇博客中的操作都在 ./bin/pyspark 中执行. RDD,即弹性分布式数据集(Resilient Distributed Dataset),是Spark对数据的核心抽象.RDD是分布式元素的 ...
随机推荐
- 入门2:PHP相关的名词解释
/**宝宝我英语不好,后面注释拼音 请见谅**/ 1.Linux 开源的操作系统,在服务器端用户数量非常大,很多服务器都是使用Linux系统运行的. 相对windows系统来说具有非常完善的用户权限系 ...
- 防止apche列出目录以及下载文件
1.修改httpd.conf,将override none改为override all 2.在需要设置权限的目录上传.htaccess文件,.htaccess文件内容如下: <FilesMatc ...
- openssl Mac编译小记
1. 下载openssl包 2. 解压 3. 打开控制台, 进入包目录, 执行 ./Configure darwin64-x86_64-cc 4. make 5. 得到 libcrypto.a lib ...
- 双积分式(A/D)转换器电路结构及工作原理
1.转换方式 V-T型间接转换ADC. 2. 电路结构 图1是这种转换器的原理电路,它由积分器(由集成运放A组成).过零比较器(C).时钟脉冲控制门(G)和计数器(ff0-ffn)等几部分组成 图1 ...
- DM8168 debug continue... ...
1.boot VFS: Unable to mount root fs via NFS, trying floppy. VFS: Cannot open root device "n ...
- 关于Java(Hello World程序)
详解 Hello World 应用程序 源码 class HelloWorldApp { public static void main(String[] args) { System.out.pri ...
- bzoj 3053 HDU 4347 : The Closest M Points kd树
bzoj 3053 HDU 4347 : The Closest M Points kd树 题目大意:求k维空间内某点的前k近的点. 就是一般的kd树,根据实测发现,kd树的两种建树方式,即按照方差 ...
- 12306 订票助手 C# 版
闲着没事,也用C#写了一个12306的订票助手,虽然可能会有些BUG但是也能正常使用了下载地址:http://www.fishlee.net/soft/12306_helper/ 查票窗口,可以查询余 ...
- [wikioi]没有上司的舞会
树形DP.用F[k][0]和F[k][1]表示某节点不选和选了之后子树的最大值.那么:f[i][0]=sigma(max(f[k][0],f[k][1]))f[i][1]=sigma(f[k][0]) ...
- SPRING IN ACTION 第4版笔记-第二章-004-Bean是否单例
spring的bean默认是单例,加载容器是会被化,spring会拦截其他再次请求bean的操作,返回spring已经创建好的bean. It appears that the CompactDisc ...