在python中的Groupby和列表理解头痛

Question

我从Hadoop教程中得到了这个。 它是一个reducer，它基本上从stdin接收（word，count）对并对它们求和。

def read_mapper_output(file, separator='\t'):
    for line in file:
        yield line.rstrip().split(separator, 1)

def main(separator='\t'):
    data = read_mapper_output(sys.stdin, separator=separator)
    for current_word, group in groupby(data, itemgetter(0)):
        try:
            total_uppercount = sum(int(count) for current_word, count in group)
            print "%s%s%d" % (current_word, separator, total_count)
        except ValueError:
            pass

现在，我希望能够接受元组（word，count1，count2），但是这个groupby和sum(int(count for current_word, count in group)业务对我来说完全难以辨认。如何修改这个块以便它基本上继续做它现在做的事情，但是有第二个计数器值？即输入是（word，count1，count2），输出是（word，count1，count2）。

编辑1：

from itertools import groupby, izip
from operator import itemgetter
import sys

def read_mapper_output(file, separator='\t'):
    for line in file:
        yield line.rstrip().split(separator, 2)

def main(separator='\t'):
    data = read_mapper_output(sys.stdin, separator=separator)
    for current_word, group in groupby(data, itemgetter(0)):
        try:
            counts_a, counts_b = izip((int(count_a), int(count_b)) for current_word, count_a, count_b in group)
            t1, t2 = sum(counts_a), sum(counts_b)
            print "%s%s%d%s%d" % (current_word, separator, t1, separator, t2)
        except ValueError:
            pass

这是一个Hadoop作业，所以输出如下：

11/11/23 18:44:21 INFO streaming.StreamJob:  map 100%  reduce 0%
11/11/23 18:44:30 INFO streaming.StreamJob:  map 100%  reduce 17%
11/11/23 18:44:33 INFO streaming.StreamJob:  map 100%  reduce 2%
11/11/23 18:44:42 INFO streaming.StreamJob:  map 100%  reduce 12%
11/11/23 18:44:45 INFO streaming.StreamJob:  map 100%  reduce 0%
11/11/23 18:44:51 INFO streaming.StreamJob:  map 100%  reduce 3%
11/11/23 18:44:54 INFO streaming.StreamJob:  map 100%  reduce 7%
11/11/23 18:44:57 INFO streaming.StreamJob:  map 100%  reduce 0%
11/11/23 18:45:05 INFO streaming.StreamJob:  map 100%  reduce 2%
11/11/23 18:45:06 INFO streaming.StreamJob:  map 100%  reduce 8%
11/11/23 18:45:08 INFO streaming.StreamJob:  map 100%  reduce 7%
11/11/23 18:45:09 INFO streaming.StreamJob:  map 100%  reduce 3%
11/11/23 18:45:12 INFO streaming.StreamJob:  map 100%  reduce 100%
...
11/11/23 18:45:12 ERROR streaming.StreamJob: Job not Successful!

从日志：

java.lang.RuntimeException: PipeMapRed.waitOutputThreads(): subprocess failed with code 1
    at org.apache.hadoop.streaming.PipeMapRed.waitOutputThreads(PipeMapRed.java:311)
    at org.apache.hadoop.streaming.PipeMapRed.mapRedFinished(PipeMapRed.java:545)
    at org.apache.hadoop.streaming.PipeReducer.close(PipeReducer.java:137)
    at org.apache.hadoop.mapred.ReduceTask.runOldReducer(ReduceTask.java:473)
    at org.apache.hadoop.mapred.ReduceTask.run(ReduceTask.java:411)
    at org.apache.hadoop.mapred.Child.main(Child.java:170)

java.lang.RuntimeException: PipeMapRed.waitOutputThreads(): subprocess failed with code 1
    at org.apache.hadoop.streaming.PipeMapRed.waitOutputThreads(PipeMapRed.java:311)
    at org.apache.hadoop.streaming.PipeMapRed.mapRedFinished(PipeMapRed.java:545)
    at org.apache.hadoop.streaming.PipeReducer.close(PipeReducer.java:137)
    at org.apache.hadoop.mapred.ReduceTask.runOldReducer(ReduceTask.java:473)
    at org.apache.hadoop.mapred.ReduceTask.run(ReduceTask.java:411)
    at org.apache.hadoop.mapred.Child.main(Child.java:170)

Shuffle Error: Exceeded MAX_FAILED_UNIQUE_FETCHES; bailing-out.

Answer 1

通过...分组

这是itertools模块中的groupby函数，在此处记录 。 data “按”将itemgetter(0) （来自operator模块的itemgetter类的实例，在此记录 ）的结果“分组”到每个元素。 它返回成对的（关键结果，iterator-over-elements-with-key）。 因此，每次循环时， current_word是一堆data行共有的“字”（index-0，即第一项，由itemgetter提取）， group是data行上的迭代器用那个word 。 如代码文档中所述，文件的每一行都有两个单词：实际的“单词”和计数（用于解释为数字的文本）

sum（current_word的int（count），group中的count）

这意味着正是它说 ：对的整数值的总和count ，每个（ current_word ， count中找到）对group 。 如上所述，每个group是来自data一组线。 因此，我们采用以current_word开头的所有行，将其字符串count数值转换为整数，然后将它们相加。

我如何修改这个块，以便它基本上继续做它现在做的事情，但是有第二个计数器值？ 即输入是（word，count1，count2），输出是（word，count1，count2）。

那么，您希望每个计数代表什么，以及您希望数据来自何处？

我将采用我认为最简单的解释：您将修改数据文件以在每一行上有三个项目，并且您将分别从每列数字中获取总和。

groupby将是相同的，因为我们仍然以相同的方式对行进行分组，并且我们仍然根据“单词”对它们进行分组。

sum部分需要计算两个值：第一列数字的总和和第二列数字的总和。

当我们遍历group ，我们将获得三个值的集合，因此我们想要将它们解压缩为三个值：例如current_word, group_a, group_b 。 对于其中的每一个，我们希望将整数转换应用于每行上的两个数字。 这给了我们一系列数字序列; 如果我们想要添加所有第一个数字和所有第二个数字，那么我们应该制作一对数字序列。 为此，我们可以使用另一个名为izip itertools函数。 然后我们可以将它们分别相加，将它们再次打包成两个独立的数字序列变量，并对它们求和。

从而：

counts_a, counts_b = izip(
    (int(count_a), int(count_b)) for current_word, count_a, count_b in group
)
total_a, total_b = sum(counts_a), sum(counts_b)

或者我们可以通过再次执行相同的操作（x中的y代表y）来制作一对计数：

totals = (
    sum(counts)
    for counts in izip(
        (int(count_a), int(count_b)) for current_word, count_a, count_b in group
    )
)

虽然在打印语句中使用该结果会有些棘手:)

Answer 2

from collections import defaultdict

def main(separator='\t'):
    data = read_mapper_output(sys.stdin, separator=separator)
    counts = defaultdict(lambda: [0, 0])
    for word, (count1, count2) in data:
        values = counts[word]
        values[0] += count1
        values[1] += count2

    for word, (count1, count2) in counts.iteritems():
        print('{0}\t{1}\t{2}'.format(word, count1, count2))