[英]Getting Top N items per group in pySpark
我正在使用Spark 1.6.2,我具有以下數據結構:
sample = sqlContext.createDataFrame([
(1,['potato','orange','orange']),
(1,['potato','orange','yogurt']),
(2,['vodka','beer','vodka']),
(2,['vodka','beer','juice', 'vinegar'])
],['cat','terms'])
我想提取每只貓的前N個最常用術語。 我已經開發了以下似乎可行的解決方案,但是我想看看是否有更好的方法可以做到這一點。
from collections import Counter
def get_top(it, terms=200):
c = Counter(it.__iter__())
return [x[0][1] for x in c.most_common(terms)]
( sample.select('cat',sf.explode('terms')).rdd.map(lambda x: (x.cat, x.col))
.groupBy(lambda x: x[0])
.map(lambda x: (x[0], get_top(x[1], 2)))
.collect()
)
它提供以下輸出:
[(1, ['orange', 'potato']), (2, ['vodka', 'beer'])]
這與我要尋找的內容一致,但是我真的不喜歡我訴諸使用Counter的事實。 僅憑火花怎么辦?
謝謝
如果此方法有效,最好將其發布到Code Review 。
就像我在沒有Counter的情況下執行此操作一樣,但是在很大程度上,您只是在復制相同的功能。
cat
, term
)的每次出現 cat
分組 2
) 碼:
from operator import add
(sample.select('cat', sf.explode('terms'))
.rdd
.map(lambda x: (x, 1))
.reduceByKey(add)
.groupBy(lambda x: x[0][0])
.mapValues(lambda x: [r[1] for r, _ in sorted(x, key=lambda a: -a[1])[:2]])
.collect())
輸出:
[(1, ['orange', 'potato']), (2, ['vodka', 'beer'])]
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.