[英]Issues Aggregating Spark Datasets in Scala
我正在使用scala的/:运算符计算一系列数据集聚合。 汇总的代码如下:
def execute1(
xy: DATASET,
f: Double => Double): Double = {
println("PRINTING: The data points being evaluated: " + xy)
println("PRINTING: Running execute1")
var z = xy.filter{ case(x, y) => abs(y) > EPS}
var ret = - z./:(0.0) { case(s, (x, y)) => {
var px = f(x)
s + px*log(px/y)}
}
ret
}
当我尝试运行作为f参数传入的单独函数列表的块时,会发生我的问题。 功能列表是:
lazy val pdfs = Map[Int, Double => Double](
1 -> betaScaled,
2 -> gammaScaled,
3 -> logNormal,
4 -> uniform,
5 -> chiSquaredScaled
)
通过列表运行聚合的执行程序函数是:
def execute2(
xy: DATASET,
fs: Iterable[Double=>Double]): Iterable[Double] = {
fs.map(execute1(xy, _))
}
在最终执行块中:
val kl_rdd = master_ds.mapPartitions((it:DATASET) => {
val pdfsList = pdfs_broadcast.value.map(
n => pdfs.get(n).get
)
execute2(it, pdfsList).iterator
问题是,尽管确实发生了聚合,但当我希望每个函数的聚合分别显示时,它们似乎都在输出数组的第一个插槽中聚合了。 我进行了测试,以确认所有五个功能实际上都在运行,并且已在第一个插槽中对它们进行了求和。
The pre-divergence value: -4.999635700491883
The pre-divergence value: -0.0
The pre-divergence value: -0.0
The pre-divergence value: -0.0
The pre-divergence value: -0.0
这是我遇到过的最困难的问题之一,因此任何方向都将不胜感激。 将给予应有的信誉。 谢谢!
斯巴克的数据集没有foldLeft
(又名/:
https://spark.apache.org/docs/2.1.0/api/scala/index.html#org.apache.spark.sql.Dataset和实际需要类型参数DataSet[T]
及其名称并非全大写。
因此,我想您的DATASET
的类型是一个迭代器,因此它在第一次运行execute1
execute1
被清空,因此每个后续的execute1
都execute1
空迭代器。 基本上,它不会聚合所有函数-它仅执行第一个函数,而忽略其他函数(由于将0.0作为初始值传递给foldLeft,因此得到-0.0)。
从mapPartitions
签名可以看到:
def mapPartitions[U](f: (Iterator[T]) ⇒ Iterator[U], preservesPartitioning: Boolean = false)(implicit arg0: ClassTag[U]): RDD[U]
它为您提供了一个迭代器(只能遍历一次的可变结构),因此您应该执行it.toList
以获取(可能但有限的大型)不可变结构( List
)。
PS,如果您想真正使用Spark的DataSet / RDD,请使用aggregate
(RDD)或agg
(DataSet)。 另请参见: 在Spark中是否等于foldLeft或foldRight?
有关迭代器的说明:
scala> val it = List(1,2,3).toIterator
it: Iterator[Int] = non-empty iterator
scala> it.toList //traverse iterator and accumulate its data into List
res0: List[Int] = List(1, 2, 3)
scala> it.toList //iterator is drained, so second call doesn't traverse anything
res1: List[Int] = List()
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.