Python 在pyspark rdd中将多个dict组合到另一个dict

我有一个数据框，如下所示：

from pyspark.sql import SparkSession

sqlContext = SparkSession.builder.appName("test").enableHiveSupport().getOrCreate()
data = [(1,2,0.1,0.3),(1,2,0.1,0.3),(1,3,0.1,0.3),(1,3,0.1,0.3),
        (11, 12, 0.1, 0.3),(11,12,0.1,0.3),(11,13,0.1,0.3),(11,13,0.1,0.3)]

trajectory_df = sqlContext.createDataFrame(data, schema=['grid_id','rider_id','lng','lat'])
trajectory_df.show()

+-------+--------+---+---+
|grid_id|rider_id|lng|lat|
+-------+--------+---+---+
|      1|       2|0.1|0.3|
|      1|       2|0.1|0.3|
|      1|       3|0.1|0.3|
|      1|       3|0.1|0.3|
|     11|      12|0.1|0.3|
|     11|      12|0.1|0.3|
|     11|      13|0.1|0.3|
|     11|      13|0.1|0.3|
+-------+--------+---+---+

我想将来自同一网格的数据合并到dict中。其中，

rider\u id

是dict的键，纬度和经度是dict的值

我预期的结果如下：

[(1, {3:[[0.1, 0.3], [0.1, 0.3]],2:[[0.1, 0.3], [0.1, 0.3]]}),
 (11,{13:[[0.1, 0.3], [0.1, 0.3]],12:[[0.1, 0.3], [0.1, 0.3]]})]

我可以使用

groupByKey（）

对

grid\u id

进行分组

def trans_point(row):
    return ((row.grid_id, row.rider_id), [row.lng, row.lat])
trajectory_df = trajectory_df.rdd.map(trans_point).groupByKey().mapValues(list)
print(trajectory_df.take(10))

[((1, 3), [[0.1, 0.3], [0.1, 0.3]]), ((11, 13), [[0.1, 0.3], [0.1, 0.3]]), ((1, 2), [[0.1, 0.3], [0.1, 0.3]]), ((11, 12), [[0.1, 0.3], [0.1, 0.3]])]

但当我合并多个dict时，我无法得到结果：

trajectory_df = trajectory_df.map(lambda x:(x[0][0],{x[0][1]:x[1]})).reduceByKey(lambda x,y:x.update(y))
print(trajectory_df.take(10))
[(1, None), (11, None)]

出于某些原因，我希望它是在RDD类型下完成的。我怎样才能做到呢？提前感谢。

正常工作并返回

None

。从文档中：

使用其他键/值对更新字典，覆盖现有键。返回

None

您需要编写自己的reduce函数来组合字典。我们可以从上一页的

---

dict.update

就地工作并返回

None

@保罗：非常感谢。你能把答案贴出来吗？我会接受的？

def merge_two_dicts(x, y):
    """From https://stackoverflow.com/a/26853961/5858851"""
    z = x.copy()   # start with x's keys and values
    z.update(y)    # modifies z with y's keys and values & returns None
    return z

trajectory_df = trajectory_df.map(lambda x:(x[0][0],{x[0][1]:x[1]}))\
    .reduceByKey(merge_two_dicts)

print(trajectory_df.collect())
#[(1, {2: [[0.1, 0.3], [0.1, 0.3]], 3: [[0.1, 0.3], [0.1, 0.3]]}),
# (11, {12: [[0.1, 0.3], [0.1, 0.3]], 13: [[0.1, 0.3], [0.1, 0.3]]})]