作为 PySpark 的 reduceByKey 的键的列表

Question

我正在尝试对(([a,b,c], 1), ([a,b,c], 1), ([a,d,b,e], 1), ... 格式的数据调用pyspark 的reduceByKey 函数

似乎 pyspark 不会接受一个数组作为普通键中的键，通过简单地应用 .reduceByKey(add) 来减少值。

我已经尝试通过.map((x,y): (str(x),y))首先将数组转换为字符串，但这不起作用，因为将字符串后处理回数组太慢了。

有没有办法让 pyspark 使用数组作为键或使用其他函数快速将字符串转换回数组？

这是相关的错误代码

  File "/home/jan/Documents/spark-1.4.0/python/lib/pyspark.zip/pyspark/shuffle.py", line 268, in mergeValues
    d[k] = comb(d[k], v) if k in d else creator(v)
TypeError: unhashable type: 'list'
    enter code here

总结：

输入：x =[([a,b,c], 1), ([a,b,c], 1), ([a,d,b,e], 1), ...]

期望的输出：y =[([a,b,c], 2), ([a,d,b,e], 1),...] 这样我就可以通过y[0][0][0] 和2 通过y[0][1] 访问a

Answer 1

试试这个：

rdd.map(lambda (k, v): (tuple(k), v)).groupByKey()

由于 Python 列表是可变的，这意味着不能被散列（不要提供__hash__ 方法）：

>>> a_list = [1, 2, 3]
>>> a_list.__hash__ is None
True
>>> hash(a_list)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: unhashable type: 'list'

另一方面，元组是不可变的，并提供 __hash__ 方法实现：

>>> a_tuple = (1, 2, 3)
>>> a_tuple.__hash__ is None
False
>>> hash(a_tuple)
2528502973977326415

因此可以用作键。同样，如果您想使用唯一值作为键，您应该使用frozenset：

rdd.map(lambda (k, v): (frozenset(k), v)).groupByKey().collect()

而不是set。

# This will fail with TypeError: unhashable type: 'set'
rdd.map(lambda (k, v): (set(k), v)).groupByKey().collect()