Spark在RDD中选择最高值

Question

原始数据集是：

# (numbersofrating,title,avg_rating)
newRDD =[(3,'monster',4),(4,'minions 3D',5),....] 

我想在newRDD中选择前N个avg_ratings。我使用下面的代码，它有一个错误。

selectnewRDD = (newRDD.map(x, key =lambda x: x[2]).sortBy(......))

TypeError: map() takes no keyword arguments

预期数据应为：

# (numbersofrating,title,avg_rating)
selectnewRDD =[(4,'minions 3D',5),(3,'monster',4)....] 

Answer 1

您可以top或takeOrdered使用key参数：

newRDD.top(2, key=lambda x: x[2])

或

newRDD.takeOrdered(2, key=lambda x: -x[2])

请注意，top按升序排列元素，takeOrdered升序，因此key函数在两种情况下都不同。

Answer 2

您是否尝试过使用top？鉴于您需要最高平均评级（并且它是元组中的第三项），您需要使用lambda函数将其分配给密钥。

# items = (number_of_ratings, title, avg_rating)
newRDD = sc.parallelize([(3, 'monster', 4), (4, 'minions 3D', 5)])
top_n = 10
>>> newRDD.top(top_n, key=lambda items: items[2])
[(4, 'minions 3D', 5), (3, 'monster', 4)]