时间戳

首页 > 解决方案 > pyspark：时间步长的rdd操作

python - pyspark：时间步长的rdd操作

问题描述

我的文件格式如下，

0, Alpha,-3.9, 4, 2001-02-01 08:00:00, 5, 20
0, Beta, -3.8, 3, 2001-02-01 08:15:00, 6, 21
1, Gamma,-3.7, 8, 2001-02-01 08:30:00, 7, 22
0, Alpha,-3.5, 4, 2001-02-01 08:45:00, 8, 23
0, Alpha,-3.9, 4, 2001-02-01 09:00:00, 8, 27
0, Gamma,-3.5, 5, 2001-02-01 09:15:00, 6, 21

等等...我对给定时间间隔sum of 5th element的每个原始数据感兴趣，例如。我想只使用基于操作的以下结果，.Alpha/Beta/Gamma08:00:00 to 09:00:00rddbetween 08:00:00 to 09:00:00

Alpha 21
Beta 6
Gamma 7

这就是我目前所做的；

rdd = sc.textFile(myDataset)
newrdd = rdd.map(myFun) # myFun process each line 
filterrdd = newrdd.filter(lambda e : e[4].startswith('2001-02-01') )

但我不知道如何进行。或者至少看不到仅使用rdd基于操作的简单方法来解决它。

标签： pythonpython-3.xpysparkbigdatardd

解决方案

要按 08:00:00-09:00:00（含）之间的时间进行过滤，您只需要确保此字符串的时间部分以08:or开头09:00:00，因此您的过滤函数可以是e[4].split()[1].startswith(('08:', '09:00:00')). 然后你可以做常规的 RDD reduceByKey() 等。

newrdd.filter(lambda e: e[4].split()[1].startswith(('08:', '09:00:00'))) \
      .map(lambda e: (e[1], int(e[5]))) \
      .reduceByKey(lambda x,y: x+y) \
      .collect()
#[(' Alpha', 21), (' Beta', 6), (' Gamma', 7)]

推荐阅读