Question

在pyspark，考虑两个rdds，如：

rrd1 = [('my name',5),('name is',4)]

和

rdd2 = [('my',6),('name',10),('is',5)]

其中rdd1是bigrams和count的元组，rdd2是相应的unigram和count的元组，我想要一个包含3个元素的元组的RDD，如：

RDD = [ (('my name',5),('my',6),('name',10)) , (('name is',4), ('name',10),('is',5)) ]

我尝试了rdd2.union(rdd1).reduceByKey(lambda x,y : x+y)，但在这种情况下，这不是正确的方法，因为键不同，但 在某种意义上它们是相关的。

Answer 1

你可以这样做;拆分 bigram rdd以生成一个与rdd2连接的密钥，然后由bigram分组以收集属于同一个二元组的元素：

(rdd1.flatMap(lambda x: [(w, x) for w in x[0].split()])    
     .join(rdd2.map(lambda x: (x[0], x)))
     .map(lambda x: x[1])
     .groupBy(lambda x: x[0])
     .map(lambda kv: (kv[0],) + tuple(v[1] for v in kv[1]))
     .collect())

# [(('name is', 4), ('name', 10), ('is', 5)), (('my name', 5), ('name', 10), ('my', 6))]

合并两个RDD，其中键不相同但相关

1 个答案: