我尝试仅使用基于 rdd 的操作。我有一个与此类似的文件；
0, Alpha,-3.9, 4, 2001-02-01, 5, 20
0, Beta,-3.8, 3, 2002-02-01, 6, 21
1, Gamma,-3.7, 8, 2003-02-01, 7, 22
0, Alpha,-3.5, 5, 2004-02-01, 8, 23
0, Alpha,-3.9, 6, 2005-02-01, 8, 27
首先，我将数据加载到 rdd 中，如下所示，
rdd = sc.textFile(myDataset)
然后我对每个原始文件中的第一个元素的不同元素感兴趣。意思是Alpha、Beta、Gamma。在这种情况下，我期望 3 个不同的元素。
这就是我所做的，
coll = [] # to collect the distinct elements
list_ = rdd.collect() # to get the list
for i in list_:
result = myFun(i) # this function I created to process line by line and return a tuple.
if result[1] not in coll:
coll.append(result[1])
有没有更快/更好的方法来仅使用基于 rdd 的操作来做到这一点？
最佳答案
您可以将 map 与 distinct 一起使用，如下所示:
rdd = sc.textFile('path/to/file/input.txt')
rdd.take(10)
#[u'0, Alpha,-3.9, 4, 2001-02-01, 5, 20', u'0, Beta,-3.8, 3, 2002-02-01, 6, 21', u'1, Gamma,-3.7, 8, 2003-02-01, 7, 22', u'0, Alpha,-3.5, 5, 2004-02-01, 8, 23', u'0, Alpha,-3.9, 6, 2005-02-01, 8, 27']
list_ = rdd.map(lambda line: line.split(",")).map(lambda e : e[1]).distinct().collect()
list_
[u' Alpha', u' Beta', u' Gamma']
关于python - pyspark:仅基于 rdd 的操作，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/58782255/