Python 如何创建与源RDD中共享密钥的元素的成对RDD？

我在pyspark中有一个键值RDD，并希望返回源RDD中具有相同键的成对RDD

#input rdd of id and user
rdd1 = sc.parallelize([(1, "user1"), (1, "user2"), (2, "user1"), (2, "user3"), (3,"user2"), (3,"user4"), (3,"user1")])

#desired output
[("user1","user2"),("user1","user3"),("user1","user4"),("user2","user4")]

---

到目前为止，我还无法找到正确的函数组合来实现这一点。其目的是根据共享的公用密钥创建用户的边缘列表。

据我所知，您的描述应该是这样的：

output = (rdd1
   .groupByKey()
   .mapValues(set)
   .flatMap(lambda kvs: [(x, y) for x in kvs[1] for y in kvs[1] if x < y])
   .distinct())

output=（rdd1
.groupByKey（）
.mapValues（设置）
.flatMap（λkvs:[（x，y）表示x英寸kvs[1]表示y英寸kvs[1]如果x

---

不幸的是，这是一个相当昂贵的操作。

我认为您可以尝试aggregateByKey（）并实现一些您自己的逻辑，以获得比groupByKey（）稍好的性能。在最终合并之前，将首先在分区侧合并。@ChrisChambers示例输入中没有任何内容表明每个键都有重复的值，因此

mapValues（set）

只是一种预防措施。否则当然值得一试。