如何在 Spark 中以 DenseVector 为键对 RDD 进行 groupByKey?

How to groupByKey a RDD, with DenseVector as key, in Spark?

我创建了一个 RDD,每个成员都是一个键值对,键是 DenseVector,值是 int。例如

[(DenseVector([3,4]),10),  (DenseVector([3,4]),20)]

现在我想按键 k1: DenseVector([3,4]) 进行分组。我希望该行为将键 k1 的所有值分组,即 1020。但是我得到的结果是

[(DenseVector([3,4]), 10), (DenseVector([3,4]), 20)] 

而不是

[(DenseVector([3,4]), [10,20])]

如果我遗漏了什么,请告诉我。

相同的代码是:

#simplified version of code
#rdd1 is an rdd containing [(DenseVector([3,4]),10),  (DenseVector([3,4]),20)]
rdd1.groupByKey().map(lambda x : (x[0], list(x[1])))
print(rdd1.collect())

好吧,这是一个棘手的问题,简短的回答是你做不到。要了解为什么您必须更深入地研究 DenseVector 实施。 DenseVector 只是 NumPy 的包装器 float64 ndarray

>>> dv1 = DenseVector([3.0, 4.0])
>>> type(dv1.array)
<type 'numpy.ndarray'>
>>> dv1.array.dtype
dtype('float64')

由于 NumPy ndarrays,与 DenseVector 不同的是,可变的不能以有意义的方式散列,尽管有趣的是提供了 __hash__ 方法。有一个有趣的问题涵盖了这个问题(参见:numpy ndarray hashability)。

>>> dv1.array.__hash__() is None
False
>>> hash(dv1.array)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: unhashable type: 'numpy.ndarray'

DenseVectorobject 继承了 __hash__ 方法,它只是基于一个 id (给定实例的内存地址):

>>> id(d1) / 16 == hash(d1)
True

不幸的是,这意味着具有相同内容的两个 DenseVectors 具有不同的哈希值:

>>> dv2 = DenseVector([3.0, 4.0])
>>> hash(dv1) == hash(dv2)
False

你能做什么?最简单的方法是使用提供一致 hash 实现的不可变数据结构,例如元组:

rdd.groupBy(lambda (k, v): tuple(k))

注意:实际上使用数组作为键很可能是个坏主意。对于大量元素,散列过程可能非常昂贵而无法使用。尽管如此,如果你真的需要这样的东西,Scala 似乎工作得很好:

import org.apache.spark.mllib.linalg.Vectors

val rdd = sc.parallelize(
    (Vectors.dense(3, 4), 10) :: (Vectors.dense(3, 4), 20) :: Nil)
rdd.groupByKey.collect