使用 Python 计算 Spark 中成对 (K,V) RDD 中每个 KEY 的平均值

Question

我想与 Python 解决方案分享这个特定的 Apache Spark，因为它的文档很差。

我想通过 KEY 计算 K/V 对的平均值（存储在 Pairwise RDD 中）。示例数据如下所示：

>>> rdd1.take(10) # Show a small sample.
[(u'2013-10-09', 7.60117302052786),
(u'2013-10-10', 9.322709163346612),
(u'2013-10-10', 28.264462809917358),
(u'2013-10-07', 9.664429530201343),
(u'2013-10-07', 12.461538461538463),
(u'2013-10-09', 20.76923076923077),
(u'2013-10-08', 11.842105263157894),
(u'2013-10-13', 32.32514177693762),
(u'2013-10-13', 26.249999999999996),
(u'2013-10-13', 10.693069306930692)]

现在下面的代码序列是一种不是最佳的方法，但它确实有效。这是我在想出更好的解决方案之前正在做的事情。这并不可怕，但是 - 正如您将在答案部分看到的那样 - 有一种更简洁、更有效的方法。

>>> import operator
>>> countsByKey = sc.broadcast(rdd1.countByKey()) # SAMPLE OUTPUT of countsByKey.value: {u'2013-09-09': 215, u'2013-09-08': 69, ... snip ...}
>>> rdd1 = rdd1.reduceByKey(operator.add) # Calculate the numerators (i.e. the SUMs).
>>> rdd1 = rdd1.map(lambda x: (x[0], x[1]/countsByKey.value[x[0]])) # Divide each SUM by it's denominator (i.e. COUNT)
>>> print(rdd1.collect())
  [(u'2013-10-09', 11.235365503035176),
   (u'2013-10-07', 23.39500642456595),
   ... snip ...
  ]

Answer 1

现在更好的方法是使用rdd.aggregateByKey() 方法。因为这种方法在 Apache Spark 和 Python 文档中的记录很差——这也是我写这篇问答的原因——直到最近我一直在使用上面的代码序列。但同样，它的效率较低，因此除非必要，否则避免这样做。

以下是使用rdd.aggregateByKey() 方法的方法（推荐）：

通过 KEY，同时计算 SUM（我们要计算的平均值的分子）和 COUNT（我们要计算的平均值的分母）：

>>> aTuple = (0,0) # As of Python3, you can't pass a literal sequence to a function.
>>> rdd1 = rdd1.aggregateByKey(aTuple, lambda a,b: (a[0] + b,    a[1] + 1),
                                       lambda a,b: (a[0] + b[0], a[1] + b[1]))

关于上面每个 a 和 b 对的含义，以下是正确的（这样您就可以看到正在发生的事情）：

   First lambda expression for Within-Partition Reduction Step::
   a: is a TUPLE that holds: (runningSum, runningCount).
   b: is a SCALAR that holds the next Value

   Second lambda expression for Cross-Partition Reduction Step::
   a: is a TUPLE that holds: (runningSum, runningCount).
   b: is a TUPLE that holds: (nextPartitionsSum, nextPartitionsCount).

最后，计算每个 KEY 的平均值，并收集结果。

>>> finalResult = rdd1.mapValues(lambda v: v[0]/v[1]).collect()
>>> print(finalResult)
      [(u'2013-09-09', 11.235365503035176),
       (u'2013-09-01', 23.39500642456595),
       (u'2013-09-03', 13.53240060820617),
       (u'2013-09-05', 13.141148418977687),
   ... snip ...
  ]

我希望aggregateByKey() 的这个问题和答案会有所帮助。

Answer 2

在我看来，一个更易读的等价于带有两个 lambda 的 aggregateByKey 是：

rdd1 = rdd1 \
    .mapValues(lambda v: (v, 1)) \
    .reduceByKey(lambda a,b: (a[0]+b[0], a[1]+b[1]))

这样，整个平均计算将是：

avg_by_key = rdd1 \
    .mapValues(lambda v: (v, 1)) \
    .reduceByKey(lambda a,b: (a[0]+b[0], a[1]+b[1])) \
    .mapValues(lambda v: v[0]/v[1]) \
    .collectAsMap()

Answer 3

只是添加一个关于此问题的直观且更短（但不好）的解决方案的注释。 Sam's Teach Yourself Apache Spark in 24 Hours这本书在上一章已经很好地解释了这个问题。

使用groupByKey 可以像这样轻松解决问题：

rdd = sc.parallelize([
        (u'2013-10-09', 10),
        (u'2013-10-09', 10),
        (u'2013-10-09', 13),
        (u'2013-10-10', 40),
        (u'2013-10-10', 45),
        (u'2013-10-10', 50)
    ])

rdd \
.groupByKey() \
.mapValues(lambda x: sum(x) / len(x)) \
.collect()

输出：

[('2013-10-10', 45.0), ('2013-10-09', 11.0)]

这是直观且吸引人的，但不要使用它！ groupByKey 不对映射器进行任何组合，而是将所有单独的键值对带到减速器。

尽可能避免groupByKey。使用@pat 之类的reduceByKey 解决方案。

Answer 4

对 prismalytics.io 的回答略有增强。

在某些情况下，计算总和可能会溢出数字，因为我们要对大量值求和。相反，我们可以保留平均值并继续根据平均值计算平均值，并且减少两个部分的计数。

如果您有两个部分的平均值，分别为 (a1, c1) 和 (a2, c2)，则总体平均值为： 总计/计数 = (total1 + total2)/ (count1 + counts2) = (a1*c1 + a2*c2)/(c1+c2)

如果我们标记R = c2/c1，它可以进一步重写为a1/(1+R) + a2*R/(1+R) 如果我们进一步将Ri标记为1/(1+R)，我们可以写成a1*Ri + a2*R*Ri

myrdd = sc.parallelize([1.1, 2.4, 5, 6.0, 2, 3, 7, 9, 11, 13, 10])
sumcount_rdd = myrdd.map(lambda n : (n, 1))
def avg(A, B):
    R = 1.0*B[1]/A[1]
    Ri = 1.0/(1+R);
    av = A[0]*Ri + B[0]*R*Ri
    return (av, B[1] + A[1]);

(av, counts) = sumcount_rdd.reduce(avg)
print(av)

这种方法可以通过简单地使用 mapValues 而不是 map 和 reduceByKey 而不是 reduce 来转换为 key-value。

来自：https://www.knowbigdata.com/blog/interview-questions-apache-spark-part-2