Question

我没有找到太多关于使用带袋子的udf的教程。

假设我有以下数据集：

UID : distance_from_something : timestamp
100:100:0
100:101:1
100:102:2
200:200:0
200:202:3
200:204:6
300:300:0
300:303:5

现在我想计算每个UID的速度

data = LOAD 'testfile' USING PigStorage(':') AS (
    uid:long,
    distance:int,
    time_raw:long);

SPLIT data INTO
    good_data IF (
        (uid > 0L)),
    bad_data OTHERWISE;

REGISTER '$UDFPATH//calculateVelocity.py' USING jython AS vcalc;

grouped_data = GROUP good_data BY (long)$0;
data = FOREACH grouped_data GENERATE vcalc.calculate(good_data);
flat_data = FOREACH data GENERATE FLATTEN($0);

这是一种做这种事情的好方法，例如我想要输出看起来像：

100:100:0:1
100:101:1:1
100:102:2:1
200:200:0:0.666...
200:202:3:0.666...
200:204:6:0.666...
300:300:0:0.6
300:303:5:0.6

在这种情况下，使用非线性插值计算速度的最佳方法是什么？

这是我目前的占位符：

def compared_to_previous(bag, index):
    dx = float(bag[index][1] - bag[index - 1][1])
    dt = float(bag[index][-1] - bag[index - 1][-1])/1000
    return dx/dt

def compared_to_next(bag, index):
    return compared_to_previous(bag, index+1)

def calculate(inBag):
    outBag = []

    index = 0
    tuples = len(inBag)
    for t in inBag:
        row = list(t)
        if not index:
            row.append(compared_to_next(inBag, index))
        elif index == tuples - 1:
            row.append(compared_to_previous(inBag, index))
        else:
            v = compared_to_previous(inBag, index)
            v += compared_to_next(inBag, index)
            row.append(v/2)
        outBag.append(tuple(row))

    return outBag

Answer 1

我会让你真正实现速度的计算 - 目前还不清楚你将如何处理变速，并且该实现不是Pig问题。但是将这些数据放入UDF非常简单。

您不希望将good_data传递给UDF - 它引用的是关系，而不是字段。您需要收集每个UID的所有记录，然后将该集合传递给知道如何处理它们的UDF：

data =
    FOREACH (GROUP good_data BY uid)
    GENERATE
        group,
        FLATTEN(vcalc.calculate(good_data.(distance, time_raw)));

你的UDF的输入是一对形式的对（distance，time_raw），你的输出应该是形式的三元组（distance，time_raw，velocity）。

pig - 如何使用python udf从数据集计算速度

1 个答案: