一个列表作为PySpark的reduceByKey的键

Question

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

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

我已经尝试过先将数组转换为字符串，.map((x,y): (str(x),y))但是这样做不起作用，因为将字符串后处理回数组的速度太慢。

有没有办法让pyspark将数组用作键或使用另一个函数将字符串快速转换回数组？

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

摘要 ：

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

所需的输出：y =[([a,b,c], 2), ([a,d,b,e], 1),...]
使得我可以访问a由y[0][0][0]和2由y[0][1]

Answer 1

尝试这个：

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

由于Python列表是可变的，这意味着无法进行哈希处理（不提供__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

因此可以用作密钥。同样，如果要将唯一值用作键，则应使用frozenset：

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

代替set。

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