Question

我正在尝试过滤元组的RDD，以根据键值返回最大的N元组。我需要返回格式为RDD。

所以RDD：

[(4, 'a'), (12, 'e'), (2, 'u'), (49, 'y'), (6, 'p')]

过滤最大的3个键应该返回RDD：

[(6,'p'), (12,'e'), (49,'y')]

执行sortByKey()然后take(N)会返回值，但不会产生RDD，因此无效。

我可以返回所有键，对它们进行排序，找到第N个最大值，然后过滤RDD以获得大于该值的键值，但这似乎非常低效。

最好的方法是什么？

Answer 1

使用RDD

快速但不是特别有效的解决方案是关注sortByKey使用zipWithIndex和filter：

n = 3
rdd = sc.parallelize([(4, 'a'), (12, 'e'), (2, 'u'), (49, 'y'), (6, 'p')])

rdd.sortByKey().zipWithIndex().filter(lambda xi: xi[1] < n).keys()

如果n与RDD大小相比相对较小，则更有效的方法是避免完全排序：

import heapq

def key(kv):
    return kv[0]

top_per_partition = rdd.mapPartitions(lambda iter: heapq.nlargest(n, iter, key))
top_per_partition.sortByKey().zipWithIndex().filter(lambda xi: xi[1] < n).keys()

如果键比值小得多，并且最终输出的顺序无关紧要，那么filter方法可以正常工作：

keys = rdd.keys()
identity = lambda x: x

offset = (keys
    .mapPartitions(lambda iter: heapq.nlargest(n, iter))
    .sortBy(identity)
    .zipWithIndex()
    .filter(lambda xi: xi[1] < n)
    .keys()
    .max())

rdd.filter(lambda kv: kv[0] <= offset)

如果是关系，它也不会保留准确的n值。

使用DataFrames

您可以orderBy和limit：

from pyspark.sql.functions import col

rdd.toDF().orderBy(col("_1").desc()).limit(n)

Answer 2

一种省力的方法，因为您只想将take(N)结果转换为新的RDD。

sc.parallelize(yourSortedRdd.take(Nth))

从SPARK中的另一个RDD返回最大N值的RDD

2 个答案: