来自RDD的每个密钥的PySpark Distinct列表

Question

我确信这很简单，但我一直有问题。我有一个带键值对的RDD。我想要一个独特的键列表。我将分享代码和示例。提前谢谢！

RDD示例

>>> rdd4.take(3)
[[(u'11394071', 1), (u'11052103', 1), (u'11052101', 1)], [(u'11847272', 10), (u'999999', 1), (u'11847272', 10)], [(u'af1lowprm1704', 5), (u'am1prm17', 2), (u'af1highprm1704', 2)]]

尝试/无法使用

rdd4.distinct().keys()
rdd4.map(lambda x: tuple(sorted(x))).keys().distinct()

[(u'10972402', 1), (u'10716707', 1), (u'11165362', 1)]

首选结构

[u'11394071', u'11052101', '999999', u'11847272', u'am1prm17', u'af1highprm1704']

Answer 1

您可以例如：

rdd.flatMap(lambda x: x).keys().distinct()

Answer 2

您可以使用flatMap从内部元组中获取密钥，然后在结果distinct上调用RDD：

rdd = sc.parallelize([[(u'11394071', 1), (u'11052103', 1), (u'11052101', 1)], [(u'11847272', 10), (u'999999', 1), (u'11847272', 10)], [(u'af1lowprm1704', 5), (u'am1prm17', 2), (u'af1highprm1704', 2)]])

rdd.flatMap(lambda x: [k for k, _ in x]).distinct().collect()
# [u'999999', u'11394071', u'11847272', u'af1highprm1704', u'11052101', u'af1lowprm1704', u'am1prm17', u'11052103']

Answer 3

如果您只想要键列中的不同值，并且您有数据帧，则可以执行以下操作：

df.select('k').distinct()

如果您只有RDD，则可以

rdd.map(lambda r: r[0]).distinct

假设钥匙是你的左栏