聚合每个键的 RDD 值答案

【问题标题】：Aggregate RDD values per key聚合每个键的 RDD 值
【发布时间】：2015-04-20 07:16:13
【问题描述】：

我在键值结构中有 RDD (someKey,(measure1,measure2))。我按键分组，现在我想聚合每个键的值。

val RDD1 : RDD[(String,(Int,Int))]
RDD1.groupByKey()

我需要的结果是：

key: avg(measure1), avg(measure2), max(measure1), max(measure2), min(measure1), min(measure2), count(*)

【问题讨论】：

标签： scala apache-spark aggregate-functions rdd

【解决方案1】：

首先，avoid groupByKey！您应该使用aggregateByKey 或combineByKey。我们将使用aggregateByKey。此函数将转换每个键的值：RDD[(K, V)] => RDD[(K, U)]。它需要U 类型的零值以及如何合并(V, U) => U 和(U, U) => U 的知识。我稍微简化了你的例子，想得到：key: avg(measure1), avg(measure2), min(measure1), min(measure2), count(*)

  val rdd1 = sc.parallelize(List(("a", (11, 1)), ("a",(12, 3)), ("b",(10, 1))))
  rdd1
    .aggregateByKey((0.0, 0.0, Int.MaxValue, Int.MaxValue, 0))(
      {
        case ((sum1, sum2, min1, min2, count1), (v1, v2)) =>
          (sum1 + v1, sum2 + v2, v1 min min1, v2 min min2, count1+1)
      }, 
      {
        case ((sum1, sum2, min1, min2, count),
          (otherSum1, otherSum2, otherMin1, otherMin2, otherCount)) =>
          (sum1 + otherSum1, sum2 + otherSum2, 
           min1 min otherMin1, min2 min otherMin2, count + otherCount)
      }
    )
    .map {
      case (k, (sum1, sum2, min1, min2, count1)) => (k, (sum1/count1, sum2/count1, min1, min2, count1))
    }
    .collect()

给予

   (a,(11.5,2.0,11,1,2)), (b,(10.0,1.0,10,1,1))

【讨论】：