Question

我有一个项目的RDD，以及一个计算两个项目之间距离的函数d: (Item, Item) => Double。我试图计算从RDD随机抽取的项目之间的平均距离。 RDD相当大（100万），因此计算精确平均值是不可能的。

因此，我想获得一组采样项目的RDD（我将从中计算距离）。例如，我想得到100米对的样本。鉴于采样对的RDD，我会计算平均值，直方图等，以便了解距离分布。

以下是所有失败的初步尝试：

使用.sample生成两个RDD，压缩它们并计算项目之间的距离。这失败，因为.zip要求两个RDD每个分区具有完全相同的项目数。
使用RDD自己的.cartesian，然后使用.sample。这会失败（内存不足），因为显然cartesian并不意味着以这种方式使用。
收集RDD的两个小样本，并.zip两个数组。这样可以正常工作，但不能扩展。

有什么想法吗？

谢谢！

编辑：这里是如何压缩每个分区具有不同数量项目的两个样本：

val r = ... // RDD[Item]
val s1 = r.sample(true, 0.1, 123)
val s2 = r.sample(true, 0.1, 456)
val zipper = (i1: Iterator[Item], i2: Iterator[Item]) => i1.zip(i2)
val pairs = r1.zipPartitions(r2)(zipper) // zip the RDDs and explicitly define how to zip the partitions

关键是，虽然RDD的.zip方法不接受大小不等的分区，但迭代器的.zip方法会做（并丢弃较长迭代器的剩余部分）。

Answer 1

回答我自己的问题：

获取rdd的样本（替换），
使用.sliding(2)获取连续的样本对。

代码：

import org.apache.spark.mllib.rdd.RDDFunctions._ // for .sliding
val x = ... // RDD[Item]
val xSize = x.count
val n = 1000000.0 // (approximate) desired sample size
val pairs = x.sample(true, n/xSize).sliding(2)
val distances = pairs.map(arr => dist(arr(0), arr(1)))

Apache spark：对的RDD示例

1 个答案: