RDD中每個鍵的PySpark不同列表

Question

我敢肯定這很簡單，但是我仍然遇到問題。 我有帶有鍵值對的RDD。 我只需要一個鍵列表。 我將分享代碼和示例。 先感謝您！

RDD示例

>>> rdd4.take(3)
[[(u'11394071', 1), (u'11052103', 1), (u'11052101', 1)], [(u'11847272', 10), (u'999999', 1), (u'11847272', 10)], [(u'af1lowprm1704', 5), (u'am1prm17', 2), (u'af1highprm1704', 2)]]

嘗試/沒有工作

rdd4.distinct().keys()
rdd4.map(lambda x: tuple(sorted(x))).keys().distinct()

[(u'10972402', 1), (u'10716707', 1), (u'11165362', 1)]

首選結構

[u'11394071', u'11052101', '999999', u'11847272', u'am1prm17', u'af1highprm1704']

Answer 1

您可以例如：

rdd.flatMap(lambda x: x).keys().distinct()

Answer 2

您可以使用flatMap從內部元組獲取鍵，然后在結果RDD上調用distinct ：

rdd = sc.parallelize([[(u'11394071', 1), (u'11052103', 1), (u'11052101', 1)], [(u'11847272', 10), (u'999999', 1), (u'11847272', 10)], [(u'af1lowprm1704', 5), (u'am1prm17', 2), (u'af1highprm1704', 2)]])

rdd.flatMap(lambda x: [k for k, _ in x]).distinct().collect()
# [u'999999', u'11394071', u'11847272', u'af1highprm1704', u'11052101', u'af1lowprm1704', u'am1prm17', u'11052103']

Answer 3

如果只需要鍵列中的不同值，並且有一個數據框，則可以執行以下操作：

df.select('k').distinct()

如果只有RDD，則可以

rdd.map(lambda r: r[0]).distinct

假設關鍵是您的左欄