Question

我正在尝试在Spark中按两列进行分组，并使用reduceByKey，如下所示：

pairsWithOnes = (rdd.map(lambda input: (input.column1,input.column2, 1)))
print pairsWithOnes.take(20)

上面的maps命令工作正常并产生三列，第三列是全部列。我尝试将前三列的第三列求和如下：

reduced = pairsWithOnes.reduceByKey(lambda a,b,c : a+b+c)
print reduced.take(20)

但是，运行最后一个打印命令会引发错误“解压缩的值太多”。有人可以用正确的方式指导我减少两列吗？

Answer 1

据我所知，你的目标是计算(column1,input.column2)对，你的输入看起来或多或少是这样的：

from numpy.random import randint, seed
from pyspark.sql import Row

seed(323)

rdd = sc.parallelize(
    Row(column1=randint(0, 5), column2=randint(0, 5)) for _ in range(1000))
rdd.take(3)

结果：

[Row(column1=0, column2=0),
 Row(column1=4, column2=4),
 Row(column1=3, column2=2)]

首先，您必须按（column1，column2）进行分组：

pairsWithOnes = rdd.map(lambda input: ((input.column1, input.column2), 1))
pairsWithOnes.take(3)

结果：

[((0, 0), 1), ((4, 4), 1), ((3, 2), 1)]

所有剩下的都很简单reduceByKey：

pairsWithOnes.reduceByKey(lambda x, y: x + y).take(3)

结果

[((1, 3), 37), ((3, 0), 43), ((2, 1), 40)]

在Spark中有两列的reduceByKey

1 个答案: