问如何有效地过滤RDD中嵌套元组的计数？
EN

Stack Overflow用户

提问于 2018-08-21 06:56:21

回答 1查看 0关注 0票数 0

我是pyspark的新手，正在研究RDD的练习。我有一个RDD，其中“key”是一个值对，“value”是任意长度的值对列表。我希望计算每个“值”中的值对的数量，并计算count> = 3的值。我有解决方案，但我可以提高效率吗？

myRddGroupedByKey:

((  (150,300), ((275,1),(30,25))           ),
 (  (50,100),  ((50,30),(125,20),(55,50))  ),
 (  (10,20),   ((500,300),(15,2),(5,0))    )
)

期望的结果：

((  (50,100),  3 ),
 (  (10,20),   3 )
)

我使用python3的解决方案部分来自我在这里找到的样本：

countVals=dict(myRddGroupedByKey.mapValues(lambda x : len(x)).collect()) 
print({k: v for k, v in countVals.items() if v >= 3})

发布于 2018-08-21 16:26:42

可以在collect之前使用该筛选器。这可能会减少提交到头/驱动程序节点的数据量：

myRddGroupedByKey.mapValues(len).filter(lambda x: x[1] >= 3).collect()
# [((50, 100), 3), ((10, 20), 3)]

票数 0

页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持

原文链接：

https://stackoverflow.com/questions/-100002330

复制

相似问题

问如何有效地过滤RDD中嵌套元组的计数？EN