Question

执行以下脚本时，我收到错误“int object is unsubscriptable”：

element.reduceByKey( lambda x , y : x[1]+y[1])

with element是一个键值RDD，值是一个元组。示例输入：

(A, (toto , 10))
(A, (titi , 30))
(5, (tata, 10))
(A, (toto, 10))

我理解reduceByKey函数采用（K，V）元组并对所有值应用函数以获得reduce的最终结果。与ReduceByKey Apache中给出的示例类似。

请帮忙吗？

Answer 1

这是一个例子，将说明正在进行的事情。

让我们考虑一下您在列有reduce函数的列表上发送f时会发生什么：

reduce(f, [a,b,c]) = f(f(a,b),c)

如果我们以f = lambda u, v: u[1] + v[1]为例，那么上面的表达式会分解为：

reduce(f, [a,b,c]) = f(f(a,b),c) = f(a[1]+b[1],c)

但是a[1] + b[1]是一个整数，所以没有__getitem__方法，因此你的错误。

通常，更好的方法（如下所示）是使用map()首先以您希望的格式提取数据，然后应用reduceByKey()。

包含数据的MCVE

element = sc.parallelize(
    [
        ('A', ('toto' , 10)),
        ('A', ('titi' , 30)),
        ('5', ('tata', 10)),
        ('A', ('toto', 10))
    ]
)

你可以几乎使用更复杂的reduce功能获得所需的输出：

def add_tuple_values(a, b):
    try:
        u = a[1]
    except:
        u = a
    try:
        v = b[1]
    except:
        v = b
    return u + v

print(element.reduceByKey(add_tuple_values).collect())

除此之外导致：

[('A', 50), ('5', ('tata', 10))]

为什么？因为密钥'5'只有一个值，所以没有什么可以减少的。

出于这些原因，最好先拨打map。要获得所需的输出，您可以这样做：

>>> print(element.map(lambda x: (x[0], x[1][1])).reduceByKey(lambda u, v: u+v).collect())
[('A', 50), ('5', 10)]

更新1

以下是另一种方法：

您可以在tuple函数中创建reduce，然后调用map以提取所需的值。（基本上颠倒了map和reduce的顺序。）

print(
    element.reduceByKey(lambda u, v: (0,u[1]+v[1]))
        .map(lambda x: (x[0], x[1][1]))
        .collect()
)
[('A', 50), ('5', 10)]

备注

如果每个密钥至少有2条记录，使用add_tuple_values()会给你正确的输出。

Answer 2

另一种方法是使用Dataframe

rdd = sc.parallelize([('A', ('toto', 10)),('A', ('titi', 30)),('5', ('tata', 10)),('A', ('toto', 10))])
rdd.map(lambda (a,(b,c)): (a,b,c)).toDF(['a','b','c']).groupBy('a').agg(sum("c")).rdd.map(lambda (a,c): (a,c)).collect()

>>>[(u'5', 10), (u'A', 50)]

使用reducebykey时出错：int对象是unsubscriptable

2 个答案: