Question

我正在尝试过滤，然后将数据集拆分为两个单独的文件。

数据集：test.txt（架构：uid，prod，score）

1   XYZ 2.0
2   ABC 0.5
1   PQR 1.0
2   XYZ 2.1
3   PQR 0.5
1   ABC 0.5

首先，我想过滤任何少于或等于1个产品的uid。我已经通过以下代码实现了这一点。

from pyspark.sql.types import *
from pyspark.sql.functions import *

rdd = sc.textFile('test.txt').map(lambda row: row.split('\t'))
schema = StructType([
           StructField('uid', IntegerType(), True),
           StructField('prod', StringType(), True),
           StructField('score', FloatType(), True)])
df = rdd.toDF([f.name for f in schema.fields])
filtered = df.groupby('uid').count().withColumnRenamed("count", "n").filter("n >= 2")
all_data = df.join(filtered, df.uid == filtered.uid , 'inner').drop(filtered.uid).drop(filtered.n)
all_data.show()

这会产生以下输出：

+----+-----+---+
|prod|score|uid|
+----+-----+---+
| XYZ|  2.0|  1|
| PQR|  1.0|  1|
| ABC|  0.5|  1|
| ABC|  0.5|  2|
| XYZ|  2.1|  2|
+----+-----+---+

我现在需要从上面的数据框中创建2个文件。我现在面临的问题是为每个产品（可以是任何行）获取一行的最佳方法是什么，并将其放在不同的文件（val.txt）中，其余的行放在不同的文件中（train .TXT）。

预期输出（train.txt）

1    XYZ    2.0
1    PQR    1.0
2    ABC    0.5

预期输出（val.txt）

1    ABC    0.5
2    XYZ    2.1

提前致谢！

Answer 1

我认为这里的关键问题是您的数据没有主键。

all_data = all_data.withColumn(
    'id',
    monotonically_increasing_id()
)

train = all_data.dropDuplicates(['prod'])

# could OOM if your dataset is too big
# consider BloomFilter if so
all_id = {row['id'] for row in all_data.select('id').collect()}
train_id = {row['id'] for row in train.select('id').collect()}
val_id = all_id - train_id

val = all_data.where(col(id).isin(val_id))

pyspark组和拆分数据帧

1 个答案: