我有以下 RDD 数据集:
ABC [G4, G3, G1] 3
FFF [G5, G4, G3] 3
CDE [G5,G4,G3,G2] 4
XYZ [G4, G3] 2
需要先按最后一列 desc 排序,如果最后一列相同,则按第一个元组项 desc 顺序排序。预期结果是
CDE [G5,G4,G3,G2] 4
FFF [G5, G4, G3] 3
ABC [G4, G3, G1] 3
XYZ [G4, G3] 2
提前致谢。
最佳答案
您可以使用sortBy
:
rdd.sortBy(r => (r._3, r._2(0)), false)
上面的r._3
代表最后一列,r._2(0)
代表第二列的第一个元素(这是一个数组) 、false
指定顺序应为降序。请记住,由于洗牌,排序是一项昂贵的操作。
更新
如果我们假设您从一对 rdd 开始,那么这是一个可重现的示例:
/// Generate data
val rdd = sc.parallelize(Seq(("ABC","G4"),("ABC","G3"),
("ABC","G1"),("FFF","G5"),
("FFF","G4"),("FFF","G3"),
("CDE","G5"),("CDE","G4"),
("CDE","G3"),("CDE","G2"),
("XYZ","G4"),("XYZ","G3")))
/// Put values in a list and calculate its size
val rdd_new = rdd.groupByKey.mapValues(_.toList).map(x => (x._1, x._2, x._2.size))
/// Now this works
rdd_new.sortBy(r => (r._3, r._2(0)), false).collect()
/// Array[(String, List[String], Int)] = Array((CDE,List(G5, G4, G3, G2),4), (FFF,List(G5, G4, G3),3), (ABC,List(G4, G3, G1),3), (XYZ,List(G4, G3),2))
关于scala - 如何根据两列对 Spark RDD 进行排序,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/41678398/