我有一个带有多个列的RDD(例如数百个),我的大多数操作都在列上,例如我需要从不同的列创建许多中间变量。
最有效的方法是什么?
我从CSV文件创建RDD:
dataRDD = sc.textFile("/...path/*.csv").map(lambda line: line.split(",”))
例如,这将给我一个如下的RDD:
123, 523, 534, ..., 893
536, 98, 1623, ..., 98472
537, 89, 83640, ..., 9265
7297, 98364, 9, ..., 735
......
29, 94, 956, ..., 758
我需要创建一个新列或变量作为calculatedvalue = 2ndCol + 19thCol并创建一个新的RDD。
123, 523, 534, ..., 893, calculatedvalue
536, 98, 1623, ..., 98472, calculatedvalue
537, 89, 83640, ..., 9265, calculatedvalue
7297, 98364, 9, ..., 735, calculatedvalue
......
29, 94, 956, ..., 758, calculatedvalue
这样做的最佳方式是什么?
答案 0 :(得分:1)
只需一张地图即可:
rdd = sc.parallelize([(1,2,3,4), (4,5,6,7)])
# just replace my index with yours
newrdd = rdd.map(lambda x: x + (x[1] + x[2],))
newrdd.collect() # [(1,2,3,4,6), (4,5,6,7,12)]