python - 这个使用带有两个参数的 lambda 函数映射的 Spark RDD 有什么问题？

Question

目标＃

• 打印带有电影名称和评分次数的数据集。
  
• 这是获得最“流行”电影的简单方法

数据

• 一个名为“u.data”的文件，其中包含电影 ID、用户 ID、评级、时间戳
  
• 一个名为“u.item”的文件，其中包含电影 ID 和电影名称以及关于 - 每部电影的信息
  

方法

• 从 u.item 文件创建字典键 = MovieID，值 = 名称
  
• 将字典广播到集群上的执行者节点
  
• 在每行创建一个带有 MovieID 和 1 的 rdd
  
• 通过movieID减少这个rdd并将每个相加
  
• 翻转键（movieID）和值（总计）以按此总计对数据集进行排序
  

问题

• 然后我应该将movieID与广播的字典映射，但在这一行出现语法错误：
  sortedMoviesWithNames = sortedMovies.map(lambda (count, movie) : (nameDict.value[movie], count))

此代码示例来自 Apache Spark 和 Python 的说明书。所有其他编码练习都可以在我的环境中完美运行。Windows 10 / Canopy / Python 3.5 / Spark 2.3.2 我检查了广播字典没问题，并且已经打印了 sortedMovies RDD，这也没关系。我查了这本书的在线勘误表，也没有。

我想知道这是否是由于 Python 版本或类似原因导致的语法错误。

from pyspark import SparkConf, SparkContext

def loadMovieNames():
    movieNames = {}
    with open("ml-100k/u.item") as f:
        for line in f:
            fields = line.split('|')
            movieNames[int(fields[0])] = fields[1]
    return movieNames

conf = SparkConf().setMaster("local").setAppName("PopularMovies")
sc = SparkContext(conf = conf)

nameDict = sc.broadcast(loadMovieNames())

lines = sc.textFile("file:///SparkCourse/ml-100k/u.data")
movies = lines.map(lambda x: (int(x.split()[1]), 1))
movieCounts = movies.reduceByKey(lambda x, y: x + y)

flipped = movieCounts.map(lambda x: (x[1], x[0]))
sortedMovies = flipped.sortByKey()

sortedMoviesWithNames = sortedMovies.map(lambda (count, movie) : 
(nameDict.value[movie], count))

results = sortedMoviesWithNames.collect()

for result in results:
    print(result)

标签： pythonlambdapysparkrdd

Answer 1

我相信具有多个参数的 lambda 的正确语法是：

sum_function = lambda a, b: a + b

注意缺少的括号。如果您尝试将一个元组映射到另一个元组，则需要执行以下操作：

lambda tup: (nameDict.value[tup[1]], tup[0])

Python 函数不会自动解包元组，因此多参数函数不会接受元组作为其参数并使其正常工作（当然，这就是 * 运算符的用途）。