Python 按关键字值分组
我正在尝试使用ApacheSpark(pyspark)对一个值(键,值)进行分组。 我设法按键进行分组,但在内部我希望对值进行分组,如下面的示例所示 我需要用一个cout()来分组Python 按关键字值分组,python,apache-spark,pyspark,hdfs,Python,Apache Spark,Pyspark,Hdfs,我正在尝试使用ApacheSpark(pyspark)对一个值(键,值)进行分组。 我设法按键进行分组,但在内部我希望对值进行分组,如下面的示例所示 我需要用一个cout()来分组 %pyspark rdd1 = sc.textFile("/datos/apat63_99.txt") rdd2 = rdd1.map(lambda line : line.split(",") ).map(lambda l : (l[4],l[1],l[0])) for line in rdd2.take(
%pyspark
rdd1 = sc.textFile("/datos/apat63_99.txt")
rdd2 = rdd1.map(lambda line : line.split(",") ).map(lambda l : (l[4],l[1],l[0]))
for line in rdd2.take(6):
print(line)
######################
rdd3 = rdd2.map(lambda line:(line[0],(line[1:]) ))
rddx = rdd2.groupByKey()
rddx.take(5)
我预计产出为:
在:
输出:
这就是您要找的吗?我无法将结果列转换为元组,所以只能将其连接为字符串。 下面的解决方案可能性能不好 在spark 2.3 Ubuntu 18.04上运行
from pyspark.sql import SparkSession
import pyspark.sql.functions as F
spark = SparkSession.builder.appName("test").enableHiveSupport().getOrCreate()
l = [
('BE', '1963', '3070801'),
('BE', '1964', '3070811'),
('S', '1963', '3070802'),
('S', '1963', '3070803'),
('S', '1963', '3070804'),
('S', '1963', '3070805'),
('S', '1964', '3070807')]
colmns = ['country', 'Gyear', 'Patient']
df=spark.createDataFrame(l, colmns)
df.show()
+-------+-----+-------+
|country|Gyear|Patient|
+-------+-----+-------+
| BE| 1963|3070801|
| BE| 1964|3070811|
| S| 1963|3070802|
| S| 1963|3070803|
| S| 1963|3070804|
| S| 1963|3070805|
| S| 1964|3070807|
+-------+-----+-------+
df1=df.groupBy("country","Gyear").agg(F.count("Patient").alias("Patient"))
df1.show()
+-------+-----+-------+
|country|Gyear|Patient|
+-------+-----+-------+
| S| 1963| 4|
| BE| 1963| 1|
| S| 1964| 1|
| BE| 1964| 1|
+-------+-----+-------+
df2=df1.withColumn('result',F.concat(F.lit('('),df1.Gyear,F.lit(','),df1.Patient,F.lit(')'))).drop("Gyear","Patient")
df2.show()
+-------+--------+
|country| result|
+-------+--------+
| S|(1963,4)|
| BE|(1963,1)|
| S|(1964,1)|
| BE|(1964,1)|
+-------+--------+
df2.groupBy("country").agg(F.collect_list("result")).show()
+-------+--------------------+
|country|collect_list(result)|
+-------+--------------------+
| S|[(1963,4), (1964,1)]|
| BE|[(1963,1), (1964,1)]|
+-------+--------------------+
正如@PIG指出的,使用数据帧比使用RDD更容易 此外,我建议使用
创建地图
、收集列表
和您自己的自定义项来组合地图。这应该允许您继续使用结构化数据
df2=df1.withColumn('result',F.create_map(df1.Gyear, df1.Patient))
df2.show()
+-------+-----+-------+-----------+
|country|Gyear|Patient| result|
+-------+-----+-------+-----------+
| S| 1963| 4|[1963 -> 4]|
| BE| 1963| 1|[1963 -> 1]|
| S| 1964| 1|[1964 -> 1]|
| BE| 1964| 1|[1964 -> 1]|
+-------+-----+-------+-----------+
from typing import List, Dict
from pyspark.sql.functions import udf
from functools import reduce
from pyspark.sql.types import *
def combine_map(x: Dict[str, int], y: Dict[str, int]) -> Dict[str, int]:
return {k: x.get(k, 0) + y.get(k, 0) for k in set(x) | set(y)}
@udf(returnType=MapType(StringType(), IntegerType()))
def combine_maps(maps):
return reduce(combine_map, maps, {})
df2.groupBy("country").agg(F.collect_list("result").alias("result")) \
.withColumn("result", combine_maps("result")) \
.show(truncate=False)
+-------+----------------------+
|country|result |
+-------+----------------------+
|S |[1964 -> 1, 1963 -> 4]|
|BE |[1964 -> 1, 1963 -> 1]|
+-------+----------------------+
以下是RDD方法的一种方法:
from operator import add
# initialize the RDD
rdd = sc.parallelize([(u'"COUNTRY"', u'"GYEAR"', u'"PATENT"')
, (u'"BE"', u'1963', u'3070801')
, (u'"BE"', u'1964', u'3070811')
, (u'"US"', u'1963', u'3070802')
, (u'"US"', u'1963', u'3070803')
, (u'"US"', u'1963', u'3070804')
, (u'"US"', u'1963', u'3070805')
, (u'"US"', u'1964', u'3070807')])
请执行以下操作:
(国家,GYEAR)
的元组设置为键,1
设置为值国家
,将值调整到[(GYEAR,cnt)]
,其中cnt是根据上一个reduceByKey计算的reduceByKey(add)
以合并具有相同键的列表(COUNTRY
)rdd_new = rdd.map(lambda x: ((x[0],x[1]), 1) ) \
.reduceByKey(add) \
.map(lambda x: (x[0][0], [(x[0][1],x[1])])) \
.reduceByKey(add) \
.filter(lambda x: x[0] != '"COUNTRY"')
>>> rdd_new.take(2)
[(u'"US"', [(u'1964', 1), (u'1963', 4)]),
(u'"BE"', [(u'1963', 1), (u'1964', 1)])]
你能把你的样本数据复制到这里吗?所以,我可以做这些,还有,在这些代码之后,你是如何获得数据的。我需要用RDD制作它们。我需要用RDD制作它们=(
rdd_new = rdd.map(lambda x: ((x[0],x[1]), 1) ) \
.reduceByKey(add) \
.map(lambda x: (x[0][0], [(x[0][1],x[1])])) \
.reduceByKey(add) \
.filter(lambda x: x[0] != '"COUNTRY"')
>>> rdd_new.take(2)
[(u'"US"', [(u'1964', 1), (u'1963', 4)]),
(u'"BE"', [(u'1963', 1), (u'1964', 1)])]