【问题标题】：PySpark Distinct List of Each of the Keys from an RDD来自 RDD 的每个键的 PySpark 不同列表
【发布时间】：2017-08-15 21:05:38
【问题描述】：

我确信这很简单，但我一直遇到问题。我有一个带有键值对的 RDD。我想要一个仅包含键的不同列表。我将分享代码和示例。提前谢谢！

RDD 示例

>>> rdd4.take(3)
[[(u'11394071', 1), (u'11052103', 1), (u'11052101', 1)], [(u'11847272', 10), (u'999999', 1), (u'11847272', 10)], [(u'af1lowprm1704', 5), (u'am1prm17', 2), (u'af1highprm1704', 2)]]

试过/没用

rdd4.distinct().keys()
rdd4.map(lambda x: tuple(sorted(x))).keys().distinct()

[(u'10972402', 1), (u'10716707', 1), (u'11165362', 1)]

首选结构

[u'11394071', u'11052101', '999999', u'11847272', u'am1prm17', u'af1highprm1704']

【问题讨论】：

11052103 和 u'af1lowprm1704 键呢？

标签： python apache-spark pyspark rdd

【解决方案1】：

你可以例如：

rdd.flatMap(lambda x: x).keys().distinct()

【讨论】：

效果很好，谢谢！使用平面地图很有意义。

【解决方案2】：

您可以使用flatMap 从内部元组中获取键，然后在结果RDD 上调用distinct：

rdd = sc.parallelize([[(u'11394071', 1), (u'11052103', 1), (u'11052101', 1)], [(u'11847272', 10), (u'999999', 1), (u'11847272', 10)], [(u'af1lowprm1704', 5), (u'am1prm17', 2), (u'af1highprm1704', 2)]])

rdd.flatMap(lambda x: [k for k, _ in x]).distinct().collect()
# [u'999999', u'11394071', u'11847272', u'af1highprm1704', u'11052101', u'af1lowprm1704', u'am1prm17', u'11052103']

【讨论】：

【解决方案3】：

如果您只想要键列中的不同值，并且您有一个数据框，您可以这样做：

df.select('k').distinct()

如果你只有RDD，你可以这样做

rdd.map(lambda r: r[0]).distinct

假设你的左栏是关键

【讨论】：