python - pyspark RDD countByKey() 是如何计数的？

Question

在发布这个问题之前，我搜索了社区并引用了 pyspark 文档，但我仍然无法理解它是如何计数的。

sc.parallelize((('1',11),('1'),('11'),('11',1))).countByKey().items() 

输出:

dict_items([('1', 3), ('11', 1)])

我无法解释输出。为什么将“1”计为 3，将“11”计为 1？

Answer 1

当您调用 countByKey() 时，键将是传入容器的第一个元素(通常是 元组)，而值将是其余元素。

您可以认为执行在功能上大致等同于:

from operator import add

def myCountByKey(rdd):
    return rdd.map(lambda row: (row[0], 1)).reduceByKey(add)

该函数将 rdd 中的每一行映射到行的第一个元素(键)和数字 1 作为值。最后，我们减少将每个键的值加在一起，以获得计数。

让我们在您的示例中尝试一下:

rdd = sc.parallelize((('1',11),('1'),('11'),('11',1)))
myCountByKey(rdd).collect()
#[('1', 3), ('11', 1)]

“额外的”'1' 来自第三个元素 ('11')。将此行映射到 (row[0], 1) 会产生 ('1', 1)。在这种情况下，row[0] 是字符串中的第一个字符。

您可能希望这表现得好像第三个元素是元组 ('11',)。

rdd = sc.parallelize((('1',11),('1',),('11',),('11',1)))
rdd.countByKey().items()
#[('1', 2), ('11', 2)]

要点是，如果您想指定一个没有值的键，您必须包含逗号。