Question

我是Spark的新手。我试图实现tf-idf。我需要计算每个文档中每个单词出现的次数和每个文档中的总单词数。

我想减少并可能进行另一项操作，但我还不知道如何操作。这是我的输入：

对的形式为(documentName , (word, wordCount)) ex。

("doc1", ("a", 3)), ("doc1", ("the", 2)), ("doc2", ("a", 5)),
    ("doc2",("have", 5))

键是文档，值是单词以及该单词在该文档中出现的次数。我想计算每个文档中的总单词数，并可能计算该单词的百分比。

我想要的输出：

("doc1", (("a", 3), 5)) , ("doc1", (("the", 2), 5)),
    ("doc2", (("a", 5),10)), ("doc2", (("have", 5),10))

我通过

获得了效果

corpus.join(corpus.reduceByKey(lambda x, y : x[1]+y[1]))

起点：

collect_of_docs = [(doc1,text1), (doc2, text2),....]

def count_words(x):
    l = []
    words = x[1].split()
    for w in words:
        l.append(((w, x[0]), 1))
    return l

sc = SparkContext() 
corpus = sc.parallelize(collect_of_docs)
input = (corpus
    .flatMap(count_words)
    .reduceByKey(add)
    .map(lambda ((x,y), z) : (y, (x,z))))

如果可能的话，我想只用一个棘手的操作员进行一次减速操作。任何帮助表示赞赏:)提前致谢。

Answer 1

一般来说，flatMap以后收集数据是没有意义的。我假设你的数据看起来或多或少是这样的：

collect_of_docs = sc.parallelize([
    (1, "Lorem ipsum dolor sit amet, consectetur adipiscing elit."),
    (2, "Mauris magna sem, vehicula sed dictum finibus, posuere id ipsum."),
    (3, "Duis eleifend molestie dolor, quis fringilla eros facilisis ac.")])

首先，我们需要一些使用基本正则表达式和Counter的助手：

from __future__ import division  # If for some reason you use Python 2.x
import re
from collections import Counter

def count_words(doc, pattern=re.compile("\w+")):
    """Given a tuple (doc_id, text)
    return a tuple (doc_id, tokens_count

    >>> count_words((1, "Foo bar bar."))
    (1, Counter({'Foo': 1, 'bar': 2}))
    """
    (doc_id, text) = doc
    return (doc_id, Counter(pattern.findall(text))) 

def compute_tf(cnt):
    """Convert term counter to term frequency

    >>> compute_tf(Counter({'Foo': 1, 'bar': 2}))
    {'Foo': 0.3333333333333333, 'bar': 0.6666666666666666}
    """
    n = sum(cnt.values())
    return {k: v / n for (k, v) in cnt.items()}

和最终结果：

tfs = (collect_of_docs
    .map(count_words)
    .mapValues(compute_tf))

tfs.sortByKey().first()

## (1,
##  {'Lorem': 0.125,
##   'adipiscing': 0.125,
##   'amet': 0.125,
##   'consectetur': 0.125,
##   'dolor': 0.125,
##   'elit': 0.125,
##   'ipsum': 0.125,
##   'sit': 0.125})

使用上述文件频率可以如下计算：

from operator import add

dfs = (tfs
    .values()
    .flatMap(lambda kv: ((k, 1) for k in kv.keys()))
    .reduceByKey(add))

dfs.sortBy(lambda x: -x[1]).take(5)

## [('ipsum', 2),
##  ('dolor', 2),
##  ('consectetur', 1),
##  ('finibus', 1),
##  ('fringilla', 1)]

spark，关于reduceByKey的小问题

1 个答案: