如何解决使用 PySpark 计算出现次数
我有一个 PairedRDD,其中包含文档 ID 作为键,以及该文档中的单词列表作为值。 例如
DocID | 单词 |
---|---|
001 | ["quick","brown","fox","lazy","fox"] |
002 | ["banana","apple","banana","fox"] |
我设法做一个 mapValues 使得:
DocID | 单词 |
---|---|
001 | [("quick",1),("brown",("fox",("lazy",1)] |
002 | [("banana",("apple",("banana",1)] |
有没有办法只对 Word 执行 ReduceByKey()?
DocID | 单词 |
---|---|
001 | [("quick",2),1)] |
我仍然需要保持结构,使得计数仅应用于每个文档。
解决方法
您可以使用 collections.Counter
来计算每个文档中的字数:
from collections import Counter
rdd = sc.parallelize([
("001",["quick","brown","fox","lazy","fox"]),("002",["banana","apple","banana","fox"])
])
counted = rdd.mapValues(lambda x: list(zip(Counter(x).keys(),Counter(x).values())))
counted.collect()
# [('001',[('quick',1),('brown',('fox',2),('lazy',1)]),# ('002',[('banana',('apple',1)])]
另一种 RDD 唯一方法:
from operator import add
result = rdd.flatMapValues(lambda x: x) \
.map(lambda x: (x,1)) \
.reduceByKey(add) \
.map(lambda x: (x[0][0],[(x[0][1],x[1])])) \
.reduceByKey(add)
result.collect()
#[('002',# ('001',[('brown',('quick',1)])]
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。