如何將三個RDD加入一個元組？

Question

我對使用Python的Apache Spark還是比較陌生，這就是我想要做的。 我有以下輸入數據。

• rdd_row是行索引（i）的RDD，
• rdd_col是列索引（j）的RDD，
• rdd_values是值（v）的RDD。

以上三個RDD很大。

我正在嘗試將它們轉換為稀疏的rdd矩陣

rdd_mat= ([rdd_row],[rdd_col],[rdd_values])

即

rdd_mat=([i1,i2,i3 ..],[j1,j2,j3..], [v1,v2,v3 ..])

我努力了：

zip where rdd_row.zip(rdd_col).zip(rdd_val) 

但它最終給

[(i1,j1,v1),(i2,j2,v2) ..]

和

rdd1.union(rdd2) 

不會創建元組。

非常感謝您在正確的方向上指導我！

Answer 1

不幸的是，在這一點上（Spark 1.4），如果您對線性代數感興趣，Scala和Java比Python更好。 假設您輸入了以下內容：

import numpy as np
np.random.seed(323) 

rdd_row = sc.parallelize([0, 1, 1, 2, 3])
rdd_col = sc.parallelize([1, 2, 3, 4, 4])
rdd_vals = sc.parallelize(np.random.uniform(0, 1, size=5))

要獲得所需形狀的rdd_mat ，可以執行以下操作：

assert rdd_row.count() == rdd_col.count() == rdd_vals.count()
rdd_mat = sc.parallelize(
    (rdd_row.collect(), rdd_row.collect(), rdd_vals.collect()))

但這是一個很糟糕的主意。 正如@DeanLa所提到的，這里的並行處理非常有限，更不用說每個部分（例如整個行列表）都將在單個分區/節點上結束。

在不知道如何使用輸出的情況下，很難為您提供有意義的建議，但是一種方法是使用以下內容：

from pyspark.mllib.linalg import Vectors

coords = (rdd_row.
    zip(rdd_col).
    zip(rdd_vals).
    map(lambda ((row, col), val): (row, col, val)).
    cache())

ncol = coords.map(lambda (row, col, val): col).distinct().count()

rows = (coords.
    groupBy(lambda (row, col, val): row)
    .mapValues(lambda values: Vectors.sparse(
        ncol, sorted((col, val) for (row, col, val) in values))))

它將創建成對的rdd，它們代表給定行的行索引和值的稀疏向量。 如果您添加一些聯接或逐列添加，您仍然可以自己實現一些典型的線性代數例程，以實現功能齊全的分布式數據結構，最好使用Scala / Java CoordinateMatrix或org.apache.spark.mllib.linalg.distributed另一個類org.apache.spark.mllib.linalg.distributed