在发布此问题之前,我搜索了社区并引用了pyspark文档,但我仍然无法理解其计数方式。
sc.parallelize((('1',11),('1'),('11'),('11',1))).countByKey().items()
输出:
dict_items([('1', 3), ('11', 1)])
我无法解释输出。为什么将“ 1”计为3,将“ 11”计为1?
答案 0 :(得分:2)
调用countByKey()
时,键将是传入的容器的第一个元素(通常是tuple
),其余将是值。
您可以认为执行在功能上大致等同于:
from operator import add
def myCountByKey(rdd):
return rdd.map(lambda row: (row[0], 1)).reduceByKey(add)
该函数将rdd
中的每一行映射到该行的第一个元素(键),并以数字1
作为值。最后,我们减少将每个键的值相加,以得到计数。
让我们在您的示例上尝试一下:
rdd = sc.parallelize((('1',11),('1'),('11'),('11',1)))
myCountByKey(rdd).collect()
#[('1', 3), ('11', 1)]
“额外” '1'
来自第三个元素('11')
。将此行映射到(row[0], 1)
会产生('1', 1)
。在这种情况下,row[0]
是字符串中的第一个字符。
您可能希望它的行为就像第三个元素是元组('11',)
。
rdd = sc.parallelize((('1',11),('1',),('11',),('11',1)))
rdd.countByKey().items()
#[('1', 2), ('11', 2)]
要点是,如果要指定无值的键,则必须 包含逗号。
答案 1 :(得分:0)
就像是否执行默认拆分以获取元组数组一样: ((''1',11),('1'),('11'),('11',1)) 会变成 ((''1',11),('1',''),('1','1'),('11',1)) countByKey将导致: [('1','3'),('11','1')]