Question

早上好，我开发了一种简单的归并排序算法，我想比较它在并行化与不并行化时的性能。

首先，我正在生成一个要排序的数字列表，并检查合并排序对该列表进行排序需要多长时间。

我接下来要做的是将数字列表传递到sc.parallelize()并将list转换为RDD，然后将merge-sort函数传递到mapPartitions()然后collect()。

import random
import time
from pyspark import SparkContext

def execute_merge_sort(generated_list):
    start_time = time.time()
    sorted_list = merge_sort(generated_list)
    elapsed = time.time() - start_time
    print('Simple merge sort: %f sec' % elapsed)
    return sorted_list


def generate_list(length):
    N = length
    generated_list = [random.random() for num in range(N)]
    return generated_list

def merging(left_side, right_side):
    result = []
    i = j = 0
    while i < len(left_side) and j < len(right_side):
        if left_side[i] <= right_side[j]:
            result.append(left_side[i])
            i += 1
        else:
            result.append(right_side[j])
            j += 1
    if i == len(left_side):
        result.extend(right_side[j:])
    else:
        result.extend(left_side[i:])
    return result


def merge_sort(generated_list):
    if len(generated_list) <= 1:
        return generated_list
    middle_value = len(generated_list) // 2
    sorted_list = merging(merge_sort(generated_list[:middle_value]), merge_sort(generated_list[middle_value:]))
    return sorted_list


def is_sorted(num_array):
    for i in range(1, len(num_array)):
        if num_array[i] < num_array[i - 1]:
            return False
    return True

generate_list = generate_list(500000)

sorted_list = execute_merge_sort(generate_list)

sc = SparkContext()

rdd = sc.parallelize(generate_list).mapPartitions(execute_merge_sort).collect()

执行此sc.parallelize(generate_list).mapPartitions(execute_merge_sort).collect()时出现以下错误：

File "<ipython-input-15-1b7974b4fa56>", line 7, in execute_merge_sort
  File "<ipython-input-15-1b7974b4fa56>", line 36, in merge_sort
TypeError: object of type 'itertools.chain' has no len()

任何帮助将不胜感激。预先感谢。

Answer 1

我想出了解决TypeError: 'float' object is not iterable问题的方法。

这可以通过使用flatMap(lambda x: x)展平数据并调用glom()来解决，以包装列表并使该列表可由函数execute_merge_sort执行。通过执行以下行，返回的结果是一个包含排序列表的列表。

sc.parallelize(random_list_of_lists).flatMap(lambda x: x).glom().mapPartitions(execute_merge_sort_rdd).collect()

使用pyspark的并行排序算法

1 个答案: