首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >问答首页 >按猪中相同的值对数据库进行分组

按猪中相同的值对数据库进行分组
EN

Stack Overflow用户
提问于 2014-01-19 16:55:38
回答 2查看 556关注 0票数 4

我创建了下面的Pig脚本来过滤一组提到电影标题(来自电影标题的预定义数据文件)的web文档(公共爬行)中的句子,对这些句子应用情感分析,并将这些情感按电影分组。

代码语言:javascript
复制
register ../commoncrawl-examples/lib/*.jar; 
set mapred.task.timeout= 1000;
register ../commoncrawl-examples/dist/lib/commoncrawl-examples-1.0.1-HM.jar;
register ../dist/lib/movierankings-1.jar
register ../lib/piggybank.jar;
register ../lib/stanford-corenlp-full-2014-01-04/stanford-corenlp-3.3.1.jar;
register ../lib/stanford-corenlp-full-2014-01-04/stanford-corenlp-3.3.1-models.jar;
register ../lib/stanford-corenlp-full-2014-01-04/ejml-0.23.jar;
register ../lib/stanford-corenlp-full-2014-01-04/joda-time.jar;
register ../lib/stanford-corenlp-full-2014-01-04/jollyday.jar;
register ../lib/stanford-corenlp-full-2014-01-04/xom.jar;

DEFINE IsNotWord com.moviereviewsentimentrankings.IsNotWord;
DEFINE IsMovieDocument com.moviereviewsentimentrankings.IsMovieDocument;
DEFINE ToSentenceMoviePairs com.moviereviewsentimentrankings.ToSentenceMoviePairs;
DEFINE ToSentiment com.moviereviewsentimentrankings.ToSentiment;
DEFINE MoviesInDocument com.moviereviewsentimentrankings.MoviesInDocument;

DEFINE SequenceFileLoader org.apache.pig.piggybank.storage.SequenceFileLoader();

-- LOAD pages, movies and words
pages = LOAD '../data/textData-*' USING SequenceFileLoader as (url:chararray, content:chararray);
movies_fltr_grp = LOAD '../data/movie_fltr_grp_2/part-*' as (group: chararray,movies_fltr: {(movie: chararray)});

-- FILTER pages containing movie
movie_pages = FILTER pages BY IsMovieDocument(content, movies_fltr_grp.movies_fltr);

-- SPLIT pages containing movie in sentences and create movie-sentence pairs
movie_sentences = FOREACH movie_pages GENERATE flatten(ToSentenceMoviePairs(content, movies_fltr_grp.movies_fltr)) as (content:chararray, movie:chararray);

-- Calculate sentiment for each movie-sentence pair
movie_sentiment = FOREACH movie_sentences GENERATE flatten(ToSentiment(movie, content)) as (movie:chararray, sentiment:int);

-- GROUP movie-sentiment pairs by movie
movie_sentiment_grp_tups = GROUP movie_sentiment BY movie;

-- Reformat and print movie-sentiment pairs
movie_sentiment_grp = FOREACH movie_sentiment_grp_tups GENERATE group, movie_sentiment.sentiment AS sentiments:{(sentiment: int)};
describe movie_sentiment_grp;

测试运行在web爬行的一个小子集上,显示它成功地给了我一对带有整数数据库的电影标题(从1到5,表示非常负的、负的、中性的、正的和非常积极的)。作为最后一步,我想将这些数据转换为成对电影标题和一个包含元组的数据库,其中包含了这个电影标题存在的所有不同的整数及其计数。脚本末尾的描述movie_sentiment_grp返回:

代码语言:javascript
复制
movie_sentiment_grp: {group: chararray,sentiments: {(sentiment: int)}}

因此,基本上,我可能需要对movie_sentiment_grp的每个元素进行FOREACH,并将情感数据库分组为相同值的组,然后使用COUNT()函数来获取每个组中的元素数。然而,我无法找到关于如何将整数数据库分组为相同值组的任何信息。有人知道怎么做吗?

虚拟解决方案:

代码语言:javascript
复制
movie_sentiment_grp_cnt = FOREACH movie_sentiment_grp{
    sentiments_grp = GROUP sentiments BY ?;
}
EN

回答 2

Stack Overflow用户

回答已采纳

发布于 2014-01-31 08:10:30

CountEach查看Apache DataFu的UDF。给定一个包,它将产生一个不同的元组的新袋子,并将计数附加到每个相应的元组。

文档中的示例应该清楚地说明这一点:

代码语言:javascript
复制
DEFINE CountEachFlatten datafu.pig.bags.CountEach('flatten');

-- input: 
-- ({(A),(A),(C),(B)})
input = LOAD 'input' AS (B: bag {T: tuple(alpha:CHARARRAY, numeric:INT)});

-- output_flatten: 
-- ({(A,2),(C,1),(B,1)})
output_flatten = FOREACH input GENERATE CountEachFlatten(B);

就你的情况而言:

代码语言:javascript
复制
DEFINE CountEachFlatten datafu.pig.bags.CountEach('flatten');

movie_sentiment_grp_cnt = FOREACH movie_sentiment_grp GENERATE
     group,
     CountEach(sentiments);
票数 2
EN

Stack Overflow用户

发布于 2014-01-29 18:59:09

你走在正确的轨道上。movie_sentiment_grp是正确的格式,嵌套的FOREACH将是正确的,除非您不能在其中使用GROUP。解决方案是使用UDF。就像这样:

myudfs.py

代码语言:javascript
复制
#!/usr/bin/python

@outputSchema('sentiments: {(sentiment:int, count:int)}')
def count_sentiments(BAG):
    res = {}
    for s in BAG:
        if s in res:
            res[s] += 1
        else:
            res[s] = 1
    return res.items()

这个UDF的用法如下:

代码语言:javascript
复制
Register 'myudfs.py' using jython as myfuncs;

movie_sentiment_grp_cnt = FOREACH movie_sentiment_grp 
                          GENERATE group, myfuncs.count_sentiments(sentiments) ;
票数 0
EN
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/21219704

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档