Python 如何使用重复键在Pyspark中使用countByValue？

我试图获得RDD的所有唯一值及其各自的发生计数。我尝试将元素列表转换为RDD，并尝试获取每个值的出现次数

X_RDD = sc.parallelize([1,2,3,4,5,6,7,8,2,4,2,1,1,1,1,1])
Y_MAP = X_RDD.map(lambda m:(m,1))
for i in Y_MAP.countByValue():print(i)

我得到了以下输出：

8,1
7,1
6,1
5,1
4,1
3,1
2,1
1,1

如何获得以下事件：

1,6
2,3
3,1
4,2
5,1
6,1
7,1
8,1

countByValue（）：它将此RDD中每个唯一值的计数作为（值，计数）对的字典返回，要访问此字典，您需要

.items（）

。这是你丢失的部分

方法1:镜像您的方法

sorted(sc.parallelize([1,2,3,4,5,6,7,8,2,4,2,1,1,1,1,1]).countByValue().items())
    [(1, 6), (2, 3), (3, 1), (4, 2), (5, 1), (6, 1), (7, 1), (8, 1)]

方法2:更基本

X_RDD = sc.parallelize([1,2,3,4,5,6,7,8,2,4,2,1,1,1,1,1])
Y_MAP = X_RDD.map(lambda m:(m,1))

x = Y_MAP.groupByKey().mapValues(lambda x:list(x))
x.mapValues(lambda x:len(x)).collect()
    [(1, 6), (2, 3), (3, 1), (4, 2), (5, 1), (6, 1), (7, 1), (8, 1)]

---

明白了，谢谢