Question

我正在尝试使用PySpark查找相邻元组列表之间的平均差。

例如，如果我有这样的RDD

vals = [(2,110),(2,130),(2,120),(3,200),(3,206),(3,206),(4,150),(4,160),(4,170)]

我想找到每个键的平均差异。

例如，键值“ 2”

平均差异为（abs（110-130）+ abs（130-120））/ 2 = 15。

到目前为止，这是我的方法。我正在尝试更改平均计算代码以适应此要求。但这似乎不起作用。

from pyspark import SparkContext
aTuple = (0,0)
interval = vals.aggregateByKey(aTuple, lambda a,b: (abs(a[0] - b),a[1] + 1),
                                       lambda a,b: (a[0] + b[0], a[1] + b[1]))
finalResult = interval.mapValues(lambda v: (v[0]/v[1])).collect()

我想使用RDD函数，不使用Spark SQL或任何其他附加程序包来完成此操作。

什么是最好的方法？

如有任何疑问，请告诉我。

谢谢您的时间。

Answer 1

我想出了一个幼稚的方法。我不确定这是否在所有情况下都适用。像这样。

首先让我们提供一个函数来计算移动平均值。如果这不是计算移动平均线的正确方法，请纠正我。

def get_abs(num_list):
    '''
    >>> get_abs([110, 130, 120])
    15.0
    '''
    acc = 0
    num_pairs = 0
    for i in range(len(num_list)-1):
        acc += abs(num_list[i]-num_list[i+1])
        num_pairs +=1
    return acc/num_pairs

接下来，我们将列表并行化

>>> vals = [(2,110),(2,130),(2,120),(3,200),(3,206),(3,206),(4,150),(4,160),(4,170)]
>>> rdd = sc.parallelize(vals)
>>> rdd.collect()
[(2, 110),
 (2, 130),
 (2, 120),
 (3, 200),
 (3, 206),
 (3, 206),
 (4, 150),
 (4, 160),
 (4, 170)]

然后，将属于同一列表的值分组。

>>> vals = rdd.groupByKey().mapValues(list)
>>> vals.collect()
[(4, [150, 160, 170]), (2, [110, 130, 120]), (3, [200, 206, 206])]

然后，我们只需要调用上面定义的函数即可计算分组值的移动平均值。

>>> vals.mapValues(get_abs).collect()
[(4, 10.0), (2, 15.0), (3, 3.0)]

Pyspark RDD的平均间隔

1 个答案: