Question

我要使用以下rdd

rdd = sc.parallelize([("K1", "e", 9), ("K1", "aaa", 9), ("K1", "ccc", 3), ("K1", "ddd", 9),
("B1", "qwe", 4), ("B1", "rty", 7), ("B1", "iop", 8), ("B1", "zxc", 1)])

获取输出

[('K1', 'aaa', 9),
 ('K1', 'ddd', 9),
 ('K1', 'e', 9),
 ('B1', 'iop', 8),
 ('B1', 'rty', 7),
 ('B1', 'qwe', 4)]

我提到了Get Top 3 values for every key in a RDD in Spark，并使用了以下代码

from heapq import nlargest
rdd.groupBy(
    lambda x: x[0]
).flatMap(
    lambda g: nlargest(3, g[1], key=lambda x: (x[2],x[1]))
).collect()

但是，我只能得出

[('K1', 'e', 9),
 ('K1', 'ddd', 9),
 ('K1', 'aaa', 9),
 ('B1', 'iop', 8),
 ('B1', 'qwe', 7),
 ('B1', 'rty', 4)]

我该怎么办？

Answer 1

实际上这是一个排序问题，但是由于sorting，shuffling是一个计算上非常昂贵的过程。但是您可以尝试：

rdd2 = rdd.groupBy(
    lambda x: x[0]
).flatMap(
    lambda g: nlargest(3, g[1], key=lambda x: (x[2],x[1]))
)

rdd2.sortBy(lambda x: x[1], x[2]).collect()
# [('K1', 'aaa', 9), ('K1', 'ddd', 9), ('K1', 'e', 9), ('B1', 'iop', 8), ('B1', 'qwe', 4), ('B1', 'rty', 7)]

我已经使用元组的第一个和第二个值对它进行了排序。

还请注意，q按字母顺序排在r之前。因此，您提到的预期输出不正确且具有误导性。

Answer 2

如果您对数据框开放，则可以将windows函数与rank一起使用

灵感来自here

import pyspark.sql.functions as f
from pyspark.sql import functions as F
from pyspark.sql import SparkSession
from pyspark.sql import Window

spark = SparkSession.builder.appName('test').master("local[*]").getOrCreate()

df = spark.createDataFrame([
    ("K1", "e", 9),
    ("K1", "aaa", 9),
    ("K1", "ccc", 3),
    ("K1", "ddd", 9),
    ("B1", "qwe", 4),
    ("B1", "rty", 7),
    ("B1", "iop", 8),
    ("B1", "zxc", 1)], ['A', 'B', 'C']
    )

w = Window.partitionBy('A').orderBy(df.C.desc())
df.select('*', F.rank().over(w).alias('rank')).filter("rank<4").drop('rank').show()


+---+---+---+
|  A | B | C|
+---+---+---+
| B1 | iop | 8|
| B1 | rty | 7|
| B1 | qwe | 4|
| K1 | e | 9|
| K1 | aaa | 9|
| K1 | ddd | 9|
+---+---+---+

根据复合键为Spark RDD中的每个分区获取最高值

2 个答案: