如何計算Spark中由（Key，[Value]）對組成的RDD中每對的平均值？

Question

我對Scala和Spark都很新，所以請原諒我，如果我正在解決這個錯誤的錯誤。 在獲取csv文件，過濾和映射之后; 我有一個RDD，它是一堆（String，Double）對。

(b2aff711,-0.00510)
(ae095138,0.20321)
(etc.)

當我在RDD上使用.groupByKey（）時，

val grouped = rdd1.groupByKey()

獲得一堆（String，[Double]）對的RDD。 （我不知道CompactBuffer的意思，也許可能導致我的問題？）

(32540b03,CompactBuffer(-0.00699, 0.256023))
(a93dec11,CompactBuffer(0.00624))
(32cc6532,CompactBuffer(0.02337, -0.05223, -0.03591))
(etc.)

一旦他們被分組，我試圖取平均值和標准差。 我想簡單地使用.mean（）和.sampleStdev（）。 當我嘗試創建一個新的RDD的手段，

val mean = grouped.mean()

返回錯誤

錯誤：（51,22）value mean不是org.apache.spark.rdd.RDD [（String，Iterable [Double]）]的成員

val mean = grouped.mean（）

我導入了org.apache.spark.SparkContext._
我也嘗試使用sampleStdev（）,. sum（）,. stats（），結果相同。 無論出現什么問題，它似乎都會影響所有數字RDD操作。

Answer 1

我們考慮以下幾點：

val data = List(("32540b03",-0.00699), ("a93dec11",0.00624),
                ("32cc6532",0.02337) , ("32540b03",0.256023),
                ("32cc6532",-0.03591),("32cc6532",-0.03591))

val rdd = sc.parallelize(data.toSeq).groupByKey().sortByKey()

計算每對平均值的一種方法如下：

您需要定義一個平均方法：

def average[T]( ts: Iterable[T] )( implicit num: Numeric[T] ) = {
   num.toDouble( ts.sum ) / ts.size
}

您可以在rdd上應用您的方法，如下所示：

val avgs = rdd.map(x => (x._1, average(x._2)))

你可以查看：

avgs.take(3)

這就是結果：

res4: Array[(String, Double)] = Array((32540b03,0.1245165), (32cc6532,-0.016149999999999998), (a93dec11,0.00624))

Answer 2

reduceByKey方式是使用reduceByKey而不是groupByKey 。

val result = sc.parallelize(data)
  .map { case (key, value) => (key, (value, 1)) }
  .reduceByKey { case ((value1, count1), (value2, count2))
    => (value1 + value2, count1 + count2)}
  .mapValues {case (value, count) =>  value.toDouble / count.toDouble}

另一方面，解決方案中的問題是將表單對象的RDD grouped (String, Iterable[Double]) （就像在錯誤中一樣）。 例如，您可以計算Ints或double的RDD的平均值，但是對的rdd的平均值是多少。

Answer 3

這是一個沒有自定義功能的完整程序：

val conf = new SparkConf().setAppName("means").setMaster("local[*]")
val sc = new SparkContext(conf)

val data = List(("Lily", 23), ("Lily", 50),
                ("Tom", 66), ("Tom", 21), ("Tom", 69),
                ("Max", 11), ("Max", 24))

val RDD = sc.parallelize(data)

val counts = RDD.map(item => (item._1, (1, item._2.toDouble)) )
val countSums = counts.reduceByKey((x, y) => (x._1 + y._1, x._2 + y._2) )
val keyMeans = countSums.mapValues(avgCount => avgCount._2 / avgCount._1)

for ((key, mean) <- keyMeans.collect()) println(key + " " + mean)