问题描述
seqOp = (lambda x,y: x+y)
sum_temp = df.rdd.map(lambda x: len(x.timestamp)).aggregate(0,seqOp,seqOp)
sum_temp 的输出是一个数值。但我不清楚 aggregate(0,seqOp)
是如何工作的。在我看来,通常情况下,aggregate
只使用一个单一的函数形式,如 "avg"
此外,df.rdd.map(lambda x: len(x.timestamp))
的类型为 pyspark.rdd.PipelinedRDD
。我们如何获取它的内容?
解决方法
根据docs,聚合过程:
- 从作为零值 (0) 的第一个参数开始,
- 然后使用第二个参数聚合 RDD 的每个分区,并且
- 最后,使用第三个参数将聚合的分区组合成最终结果。在这里,您对每个分区求和,然后将每个分区的总和求和为最终结果。
您可能将此聚合与数据帧的聚合方法混淆了。 RDD 是低级对象,这里不能使用数据帧聚合方法,例如 avg/mean/etc。
要获取 RDD 的内容,您可以执行 rdd.take(1)
来检查随机元素,或者使用 rdd.collect()
来检查整个 RDD(请注意,这会将所有数据收集到驱动程序上,并且可以如果 RDD 很大会导致内存错误)。