python - 合并两个键不同但相关的 RDD

Question

在 pyspark 中，考虑两个 rdd，例如:

rrd1 = [('我的名字',5),('名字是',4)]

和

rdd2 = [('我的',6),('名字',10),('是',5)]

其中rdd1是二元组和计数的元组，rdd2是相应的一元元组和计数的元组， 我想要一个包含 3 个元素的元组的 RDD，例如:

RDD = [ (('我的名字',5),('我的',6),('名字',10)) , (('名字是',4), ('名字' ,10),('是',5))]

我尝试了rdd2.union(rdd1).reduceByKey(lambda x,y : x+y)但在这种情况下这不是正确的方法，因为键不同但是 在某种意义上它们是相关的。

Answer 1

你可以这样做；拆分bigram rdd以生成与rdd2连接的 key ，然后按bigram分组以将属于同一bigram的元素收集在一起:

(rdd1.flatMap(lambda x: [(w, x) for w in x[0].split()])    
     .join(rdd2.map(lambda x: (x[0], x)))
     .map(lambda x: x[1])
     .groupBy(lambda x: x[0])
     .map(lambda kv: (kv[0],) + tuple(v[1] for v in kv[1]))
     .collect())

# [(('name is', 4), ('name', 10), ('is', 5)), (('my name', 5), ('name', 10), ('my', 6))]