问题描述
我有一个 PairedRDD,其中包含文档 ID 作为键,以及该文档中的单词列表作为值。 例如
DocID | 单词 |
---|---|
001 | ["quick","brown","fox","lazy","fox"] |
002 | ["banana","apple","banana","fox"] |
我设法做一个 mapValues 使得:
DocID | 单词 |
---|---|
001 | [("quick",1),("brown",("fox",("lazy",1)] |
002 | [("banana",("apple",("banana",1)] |
有没有办法只对 Word 执行 ReduceByKey()?
DocID | 单词 |
---|---|
001 | [("quick",2),1)] |
我仍然需要保持结构,使得计数仅应用于每个文档。
解决方法
您可以使用 collections.Counter
来计算每个文档中的字数:
from collections import Counter
rdd = sc.parallelize([
("001",["quick","brown","fox","lazy","fox"]),("002",["banana","apple","banana","fox"])
])
counted = rdd.mapValues(lambda x: list(zip(Counter(x).keys(),Counter(x).values())))
counted.collect()
# [('001',[('quick',1),('brown',('fox',2),('lazy',1)]),# ('002',[('banana',('apple',1)])]
另一种 RDD 唯一方法:
from operator import add
result = rdd.flatMapValues(lambda x: x) \
.map(lambda x: (x,1)) \
.reduceByKey(add) \
.map(lambda x: (x[0][0],[(x[0][1],x[1])])) \
.reduceByKey(add)
result.collect()
#[('002',# ('001',[('brown',('quick',1)])]