我想减少每个reducer的记录数量,并将结果变量保留为rdd
使用 takeSample
似乎是显而易见的选择,但是,它返回一个 集合
而不是 SparkContext
对象。
我想出了这个方法:
rdd = rdd.zipWithIndex().filter(lambda x:x[1]<limit).map(lambda x:x[0])
但是,这种方法非常慢且效率不高。
是否有更智能的方法来获取小样本并保持数据结构为rdd
?
最佳答案
如果您想要一个小示例子集,并且无法对数据做出任何其他假设,那么take
与parallelize
相结合可能是最佳解决方案:
sc.parallelize(rdd.take(n))
它将涉及相对较少数量的分区(在最好的情况下只有一个),并且小型 n 的网络流量成本应该可以忽略不计。
采样(randomSplit
或 sample
)将需要与使用 filter
的 zipWithIndex
相同的完整数据扫描。
假设没有数据偏差,您可以尝试类似的方法来解决这个问题:
from __future__ import division # Python 2 only
def limitApprox(rdd, n, timeout):
count = rdd.countApprox(timeout)
if count <= n:
return rdd
else:
rec_per_part = count // rdd.getNumPartitions()
required_parts = n / rec_per_part if rec_per_part else 1
return rdd.mapPartitionsWithIndex(
lambda i, iter: iter if i < required_parts else []
)
- 这仍然会访问每个分区,但如果没有必要,会尝试避免计算内容
- 如果数据偏差较大,则不起作用
- 如果分布均匀,但 n << 超过每个分区的平均记录数,则可能会超出所需的数量。
- 如果分布偏向高指数,则可能会出现采样不足的情况。
如果数据可以表示为行
,您可以尝试另一个技巧:
rdd.toDF().limit(n).rdd
关于python - 限制 Spark 上下文中的记录数量,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/35871095/