如何使用共享源RDD中的密鑰的元素創建對RDD？

Question

我在pyspark中有一個鍵值RDD，並想返回在源RDD中具有相同鍵的對的RDD。

#input rdd of id and user
rdd1 = sc.parallelize([(1, "user1"), (1, "user2"), (2, "user1"), (2, "user3"), (3,"user2"), (3,"user4"), (3,"user1")])

#desired output
[("user1","user2"),("user1","user3"),("user1","user4"),("user2","user4")]

到目前為止，我還無法提出正確的功能組合來實現此目的。 這樣做的目的是基於共享的公用密鑰創建用戶的邊緣列表。

Answer 1

據我了解您的描述，這樣的方法應該起作用：

output = (rdd1
   .groupByKey()
   .mapValues(set)
   .flatMap(lambda kvs: [(x, y) for x in kvs[1] for y in kvs[1] if x < y])
   .distinct())

不幸的是，這是相當昂貴的操作。