通过 Python 使用 Spark 准备我的大数据

Question

我的 100m 大小的量化数据：

(1424411938', [3885, 7898])
(3333333333', [3885, 7898])

想要的结果：

(3885, [3333333333, 1424411938])
(7898, [3333333333, 1424411938])

所以我想要的是转换数据，以便我将 3885（例如）与所有拥有它的 data[0] 分组）。这是我在python 中所做的：

def prepare(data):
    result = []
    for point_id, cluster in data:
        for index, c in enumerate(cluster):
            found = 0
            for res in result:
                if c == res[0]:
                    found = 1
            if(found == 0):
                result.append((c, []))
            for res in result:
                if c == res[0]:
                    res[1].append(point_id)
    return result

但是当我 mapPartitions()'ed data RDD 和 prepare() 时，它似乎只在当前分区中执行我想要的操作，因此返回的结果比预期的要大。

例如，如果开始的第一个记录在第一个分区中，第二个在第二个分区，那么我会得到这样的结果：

(3885, [3333333333])
(7898, [3333333333])
(3885, [1424411938])
(7898, [1424411938])

如何修改我的prepare() 以获得想要的效果？或者，如何处理prepare()产生的结果，才能得到想要的结果？

---

正如您可能已经从代码中注意到的那样，我根本不在乎速度。

这是一种创建数据的方法：

data = []
from random import randint
for i in xrange(0, 10):
    data.append((randint(0, 100000000), (randint(0, 16000), randint(0, 16000))))
data = sc.parallelize(data)

Answer 1

您可以使用一堆基本的 pyspark 转换来实现这一点。

>>> rdd = sc.parallelize([(1424411938, [3885, 7898]),(3333333333, [3885, 7898])])
>>> r = rdd.flatMap(lambda x: ((a,x[0]) for a in x[1]))

我们使用flatMap 为x[1] 中的每个项目设置一个键值对，并将数据行格式更改为(a, x[0])，这里的a 是x[1] 中的每个项目。要更好地理解flatMap，您可以查看文档。

>>> r2 = r.groupByKey().map(lambda x: (x[0],tuple(x[1])))

我们只是将所有键值对按键分组，并使用元组函数将可迭代对象转换为元组。

>>> r2.collect()
[(3885, (1424411938, 3333333333)), (7898, (1424411938, 3333333333))]

正如您所说，您可以使用 [:150] 来拥有前 150 个元素，我想这是正确的用法：

r2 = r.groupByKey().map(lambda x: (x[0],tuple(x[1])[:150]))

我尽量解释清楚。我希望这会有所帮助。