在Spark RDD（Scala）中指定元素的子集

Question

我的數據集是一個包含140多列的RDD[Array[String]] 。 如何在不對列號進行硬編碼的情況下選擇列的子集(.map(x => (x(0),x(3),x(6)...)) ？

這是我迄今為止嘗試過的（成功）：

val peopleTups = people.map(x => x.split(",")).map(i => (i(0),i(1)))

但是，我需要多個列，並且希望避免對它們進行硬編碼。

這是我到目前為止所嘗試的（我認為會更好，但失敗了）：

// Attempt 1
val colIndices = [0,3,6,10,13]
val peopleTups = people.map(x => x.split(",")).map(i => i(colIndices))

// Error output from attempt 1:
<console>:28: error: type mismatch;
 found   : List[Int]
 required: Int
       val peopleTups = people.map(x => x.split(",")).map(i => i(colIndices))

// Attempt 2
colIndices map peopleTups.lift

// Attempt 3
colIndices map peopleTups

// Attempt 4
colIndices.map(index => peopleTups.apply(index))

我找到了這個問題並試了一下，但因為我正在查看RDD而不是數組，所以它不起作用： 如何使用Scala和Spark從數組中選擇非順序子集元素？

Answer 1

您應該映射RDD而不是索引。

val list = List.fill(2)(Array.range(1, 6))
// List(Array(1, 2, 3, 4, 5), Array(1, 2, 3, 4, 5))

val rdd = sc.parallelize(list) // RDD[Array[Int]]
val indices = Array(0, 2, 3)

val selectedColumns = rdd.map(array => indices.map(array)) // RDD[Array[Int]]

selectedColumns.collect() 
// Array[Array[Int]] = Array(Array(1, 3, 4), Array(1, 3, 4))

Answer 2

那這個呢？

val data = sc.parallelize(List("a,b,c,d,e", "f,g,h,i,j"))
val indices =  List(0,3,4)
data.map(_.split(",")).map(ss => indices.map(ss(_))).collect

這應該給

res1: Array[List[String]] = Array(List(a, d, e), List(f, i, j))