假设我有一个Double值流，我想每十秒计算一次平均值。我怎样才能有一个滑动窗口，不需要重新计算平均值，而是更新它，比如说，删除最旧的十秒部分，只添加新的10秒值？
答案 0 :(得分：1)
TL;DR：使用reduceByWindow及其两个函数参数（跳转到代码段的最后一段）
您的问题有两种解释，具体的解释（如何获得一小时的运行平均值，每2秒更新一次）和一般的解释（如何获得更新状态的计算？稀疏的方式）。这是普通人的答案。
首先，请注意有一种方法可以表示您的数据，以便根据windowed DStream轻松计算您的平均更新数据：这表示您的数据是流的增量构造，具有最大值分享。但是，正如你所指出的那样，重新计算每批产品的平均值在计算上效率较低。
如果你确实想要更新一个可逆的复杂有状态计算，但又不想触及流的构造，那就有updateStateByKey - 但Spark并没有＆＃ 39; t帮助您反映流中计算的增量方面，您必须自己管理它。
在这里，你确实有一些简单易懂的东西，而且你没有钥匙的概念。您可以使用reduceByWindow及其反向减少参数，使用通常的函数来计算增量平均值。
val myInitialDStream: DStream[Float]
val myDStreamWithCount: DStream[(Float, Long)] =
myInitialDStream.map((x) => (x, 1L))
def addOneBatchToMean(previousMean: (Float, Long), newBatch: (Float, Long)): (Float, Long) =
(previousMean._1 + newBatch._1, previousMean._2 + newBatch._2)
def removeOneBatchToMean(previousMean: (Float, Long), oldBatch: (Float, Long)): (Float, Long) =
(previousMean._1 - oldBatch._1, previousMean._2 - oldBatch._2)
val runningMeans = myDStreamWithCount.reduceByWindow(addOneBatchToMean, removeOneBatchToMean, Durations.seconds(3600), Duractions.seconds(2))
你得到一个单元素RDD的流，每个元素包含一对（m，n），其中m是你在1h窗口上的运行总和，n是1h中元素的数量 - 窗口。只需返回（或map至）m / n即可获得均值。