如何将随机rdd加入另一个rdd？

Question

我有一个RDD字符串（但实际上可以是任何东西），我想与rdd随机法线进行内部连接。 我知道这可以在两个RDD上都使用.zipWithIndex来解决，但这似乎无法很好地扩展，是否有一种方法可以用来自另一个RDD数据或另一个更快的方法来初始化随机rdd ？ 这是我对.zipWithIndex所做的工作：

import org.apache.spark.mllib.random.RandomRDDs
import org.apache.spark.rdd.RDD

val numExamples = 10 // number of rows in RDD 
val maNum   = 7
val commonStdDev   = 0.1 // common standard deviation 1/10, makes variance = 0.01
val normalVectorRDD = RandomRDDs.normalVectorRDD(sc, numRows = numExamples, numCols = maNum) 
val rescaledNormals = normalVectorRDD.map{myVec => myVec.toArray.map(x => x*commonStdDev)}
  .zipWithIndex
  .map{case (key,value) => (value,(key))} 

val otherRDD = sc.textFile(otherFilepath)
  .zipWithIndex
  .map{case (key,value) => (value,(key))} 

val joinedRDD = otherRDD.join(rescaledNormals).map{case(key,(other,dArray)) => (other,dArray)}

Answer 1

通常，我不会担心zipWithIndex 。 尽管它需要其他操作，但它属于相对便宜的操作。 但是join是另一回事。

由于向量内容不依赖于otherRDD的值，因此otherRDD生成向量更有意义。 您要做的就是模仿RandomRDDs逻辑：

import org.apache.spark.mllib.random.StandardNormalGenerator 
import org.apache.spark.ml.linalg.DenseVector  // or org.apache.spark.mllib

val vectorSize = 42
val stdDev = 0.1
val seed = scala.util.Random.nextLong  // Or set manually

// Define seeds for each partition
val random = new scala.util.Random(seed)
val seeds = (0 until otherRDD.getNumPartitions).map(
  i => i -> random.nextLong
).toMap

otherRDD.mapPartitionsWithIndex((i, iter) => {
  val generator = new StandardNormalGenerator()
  generator.setSeed(seeds(i))
  iter.map(x => 
    (x, new DenseVector(Array.fill(vectorSize)(generator.nextValue() * stdDev)))
  )
})