如何解决在Hadoop中如何计数?
我有一个巨大的标题列表。我想计算整个数据集中的每个标题。例如:
`title`
A
b
A
c
c
c
输出:
title fre
A 2
b 1
c 3
我正在寻找一种在 Hadoop 中使用 reduce 函数的快速方法。我知道以下方式:
import pyspark.sql.functions as f
df.groupBy('title').agg(f.count('*').alias('count')).show()
解决方法
如果你想使用 RDD,你可以试试这个代码:
grouped_rdd = (df.rdd.map(lambda r: (r[0],1))
.reduceByKey(lambda x,y: x + y)
.sortBy(lambda r: -r[1]) # descending order; remove - if ascending.
.take(10)
)
grouped_df = spark.createDataFrame(grouped_rdd,['title','count'])
但我不确定这是否会比 df.groupBy('title').count()
快。
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。