嵌套元组上的 Pyspark reduceByKey

Question

我的问题与类似，但有一些关键的区别。我是 PySpark 的新手，所以我肯定遗漏了一些明显的东西。

我有一个具有以下结构的 RDD：

(K0, ((k01,v01), (k02,v02), ...))
....
(Kn, ((kn1,vn1), (kn2,vn2), ...))

我想要的输出类似于

(K0, v01+v02+...)
...
(Kn, vn1+vn2+...)

这似乎是使用 reduceByKey 的完美案例，起初我想到了

rdd.reduceByKey(lambda x,y: x[1]+y[1])

这正是我开始使用的 RDD。我想我的索引有问题，因为有嵌套的元组，但我已经尝试了我能想到的所有可能的索引组合，它一直在给我返回初始的 RDD。

为什么它不能与嵌套元组一起使用，或者我做错了什么？

Answer 1

你根本不应该在这里使用 reduceByKey。它采用带有签名的关联和交换功能。 (T, T) => T。很明显，当您将 List[Tuple[U, T]] 作为输入并且期望 T 作为输出时，它不适用。

由于不清楚键是唯一的还是唯一的，让我们考虑一下当我们必须在本地和全局进行聚合时的一般示例。让我们假设 v01, v02, ... vm 是简单的数字：

from functools import reduce
from operator import add

def agg_(xs):
    # For numeric values sum would be more idiomatic
    # but lets make it more generic
    return reduce(add, (x[1] for x in xs), zero_value)

zero_value = 0
merge_op = add
def seq_op(acc, xs):
    return acc + agg_(xs)

rdd = sc.parallelize([
    ("K0", (("k01", 3), ("k02", 2))),
    ("K0", (("k03", 5), ("k04", 6))),
    ("K1", (("k11", 0), ("k12", -1)))])

rdd.aggregateByKey(0, seq_op, merge_op).take(2)
## [('K0', 16), ('K1', -1)]

如果键已经是唯一的，简单的 mapValues 就足够了：

from itertools import chain

unique_keys = rdd.groupByKey().mapValues(lambda x: tuple(chain(*x)))
unique_keys.mapValues(agg_).take(2)
## [('K0', 16), ('K1', -1)]

嵌套元组上的 Pyspark reduceByKey

Pyspark reduceByKey on nested tuples

python

reduce

rdd

pyspark