通过Python用Spark准备我的bigdata

Question

我的100米大小，量化数据：

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

期望的结果：

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

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

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

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

您可以使用一系列基本的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]中的每个项设置键值对，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。为了更好地理解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tuple函数将iterable转换为tuple。

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

我尽量解释清楚。我希望这能有所帮助。