我有以下两个rdd:
name_to_hour = sc.parallelize([("Amy", [7,8,7,18,19]), ("Dan", [6,7]), ("Emily", [1,2,3,7,7,7,2])])
name_biz = sc.parallelize(["Amy", "Brian", "Chris", "Dan", "Emily"])
我想加入他们,所以我得到的 rdd 看起来像这样:
[('Amy', [7, 8, 7, 18, 19]), ('Chris', []), ('Brian', []), ('Dan', [6, 7]), ('Emily', [1, 2, 3, 7, 7, 7, 2])]
我可以通过我认为笨拙的解决方案来实现这一目标:
from pyspark import SparkContext
sc = SparkContext()
name_to_hour = sc.parallelize([("Amy", [7,8,7,18,19]), ("Dan", [6,7]), ("Emily", [1,2,3,7,7,7,2])])
name_biz = sc.parallelize(["Amy", "Brian", "Chris", "Dan", "Emily"])
temp = name_biz.map(lambda x: (x, []))
joined_rdd = temp.leftOuterJoin(name_to_hour)
def concat(my_tup):
if my_tup[1] is None:
return []
else:
return my_tup[1]
result_rdd = joined_rdd.map(lambda x: (x[0], concat(x[1])))
print "\033[0;34m{}\033[0m".format(result_rdd.collect())
有更好的方法吗?
我在想,如果可以以某种方式在 leftOuterJoin
上指定,那么非空字段将保留它们在 name_to_hour
中的内容,而空字段将获得默认值 []
,我的问题可以更容易解决,但我不认为有这样的方法。
最佳答案
解决此问题的一种方法是利用 Python 列表的字典顺序。由于空列表总是“小于”非空列表,我们可以简单地创建一个union
并使用max
减少:
temp.union(name_to_hour).reduceByKey(max)
这当然假设 key 是唯一的。
关于python - 是否可以在 leftOuterJoin 上初始化一个空的默认值?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/37421994/