[英]How to join a random rdd to another rdd?
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)}
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)))
)
})
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.