时间戳

首页 > 解决方案 > 使用 pyspark 的 Spark RDD 窗口化

apache-spark - 使用 pyspark 的 Spark RDD 窗口化

问题描述

有一个 Spark RDD，称为rdd1. 它有(key, value)对，我有一个列表，其元素是 a tuple(key1,key2)。

我想得到一个rdd2，行`（（key1，key2），（rdd1中key1的值，rdd1中key2的值））。

有人可以帮助我吗？

rdd1：

key1, value1,
key2, value2,
key3, value3

大批：[(key1,key2),(key2,key3)]

结果：

(key1,key2),value1,value2
(key2,key3),value2,value3

我努力了

spark.parallize(array).map(lambda x:)

标签： apache-sparkjoinpysparkrdd

解决方案

使用 SCALA 滑动与 mllib 滑动 - 两种实现，有点繁琐，但这里是：

import org.apache.spark.mllib.rdd.RDDFunctions._
val rdd1 = sc.parallelize(Seq(
              ( "key1", "value1"),
              ( "key2", "value2"),
              ( "key3", "value3"),
              ( "key4", "value4"),
              ( "key5", "value5")
          ))
val rdd2 = rdd1.sliding(2)
val rdd3 = rdd2.map(x => (x(0), x(1))) 
val rdd4 = rdd3.map(x => ((x._1._1, x._2._1),x._1._2, x._2._2))  
rdd4.collect

此外，以下内容当然更好……：

val rdd5 = rdd2.map{case Array(x,y) => ((x._1, y._1), x._2, y._2)}
rdd5.collect

在两种情况下都返回：

res70: Array[((String, String), String, String)] = Array(((key1,key2),value1,value2), ((key2,key3),value2,value3), ((key3,key4),value3,value4), ((key4,key5),value4,value5))

我相信这可以满足您的需求，但不能满足您的需求。

在 Stack Overflow 上，您可以找到 pyspark 没有 RDD 等效项的声明，除非您“自己动手”。您可以在 Pyspark 中查看如何在时间序列数据上使用滑动窗口转换数据。但是，我建议使用 pyspark.sql.functions.lead() 和 pyspark.sql.functions.lag() 来构建数据框。容易一些。

推荐阅读