PySpark rdd 中按組最頻繁的類，無需轉換為 Spark Dataframe

Question

我想要每個組中最頻繁的課程。 每個組中可以有多行，也可以有多個類。 我們可以忽略平局的問題，因為這個 python 應該自動獲得第一類。

我嘗試將 rdd 更改為觸發數據框，然后使用以下鏈接中的代碼pyspark：聚合列中最頻繁的值

但是我正在嘗試不將數據轉換為 SparkDataframe

下面是數據集

Data= sc.parallelize([(1, 'class1', 0.0),
       (1, 'class1', 2.9870435922860854),
       (1, 'class1', 3.1390539564237088),
       (2, 'class1', 1.8147552294243288),
       (2, 'class1', 2.2762141107738643),
       (2, 'class1', 2.3276650040679754),
       (3, 'class1', 2.1916602976063415),
       (3, 'class2', 2.8092745089004265),
       (3, 'class2', 2.962653217205646),
       (4, 'class2', 1.9684050295783773),
       (4, 'class2', 2.6954556024643974),
       (4, 'class1', 2.849277442723792),
       (5, 'class2', 2.42178294501635),
       (5, 'class2', 3.650846798310411),
       (5, 'class1', 4.209012410198228),
       (6, 'class1', 1.942895930291406),
       (6, 'class1', 2.3133629778496676),
       (6, 'class2', 3.0147225096785264),
       (7, 'class1', 1.7185194340256884),
       (7, 'class1', 2.91322741107079),
       (7, 'class1', 3.5767422323347633),
       (8, 'class1', 2.4711392945465893),
       (8, 'class1', 3.436547108084221),
       (8, 'class1', 3.937683211352823),
       (9, 'class1', 3.800013103330196),
       (9, 'class1', 4.632413017908266),
       (9, 'class1', 5.191184050603831),

預期產出

  [(1, Class1),(2,Class1),(3,Class2),(4,Class2),(5,Class2),(6,Class1),(7,Class1),(8,Class1),(9,Class1)]

另外，我可能有多個課程。

每行的第一個元素是組 ID，第二個元素是類，第三個元素只是距離，我認為這沒什么用。

Answer 1

這是pyspark的RDD解決方案

>>> rddMap1 = Data.map(lambda x: (str(x[0])+','+x[1],float(x[2])))
>>> rddMap1.first()
('1,class1', 0.0)
>>> 
>>> rddReduce1 = rddMap1.reduceByKey(lambda x,y: x+y)
>>> rddReduce1.first()
('1,class1', 6.126097548709794)
>>> 
>>> rddMap2 = rddReduce1.map(lambda x: (int(x[0].split(',')[0]),(x[0].split(',')[1],x[1])))
>>> rddMap2.first()
(1, ('class1', 6.126097548709794))
>>> 
>>> rddReduce2 = rddMap2.reduceByKey(lambda x,y: x if x[1] > y[1] else y)
>>> rddReduce2.first()
(1, ('class1', 6.126097548709794))
>>> 
>>> rddReduce2.map(lambda x: (x[0],x[1][0])).collect()
[(1, 'class1'), (2, 'class1'), (3, 'class2'), (4, 'class2'), (5, 'class2'), (6, 'class1'), (7, 'class1'), (8, 'class1'), (9, 'class1')]

Answer 2

from operator import add
from operator import itemgetter

data= sc.parallelize([
   (1, 'class1', 0.0),
   (1, 'class1', 2.9870435922860854),
   (1, 'class1', 3.1390539564237088),
   (2, 'class1', 1.8147552294243288),
   (2, 'class1', 2.2762141107738643),
   (2, 'class1', 2.3276650040679754),
   (3, 'class1', 2.1916602976063415),
   (3, 'class1', 2.1916602976063415),
   (3, 'class1', 2.1916602976063415),
   (3, 'class2', 2.8092745089004265),
   (3, 'class2', 2.962653217205646),
   (3, 'class4', 1.9684050295783773),
   (3, 'class4', 2.6954556024643974),
   (3, 'class4', 2.849277442723792),
   (3, 'class4', 2.42178294501635),
   (5, 'class2', 3.650846798310411),
   (5, 'class1', 4.209012410198228),
   (6, 'class1', 1.942895930291406),
   (6, 'class1', 2.3133629778496676),
   (6, 'class2', 3.0147225096785264),
   (7, 'class1', 1.7185194340256884),
   (7, 'class1', 2.91322741107079),
   (7, 'class1', 3.5767422323347633),
   (8, 'class1', 2.4711392945465893)
                 ])

data2 = data.map(lambda x: ((x[0],x[1]), 1)).reduceByKey(add).map(lambda x: ((x[0][0]),(x[0][1],x[1]))).groupByKey().mapValues(list)

data3 = data2.map(lambda (k, l): (k, sorted(l, key=itemgetter(1), reverse=True)))

data4 = data3.mapValues(lambda x: (x[0]))

返回：

[(8, ('class1', 1)), (1, ('class1', 3)), (2, ('class1', 3)), (3, ('class4', 4)), (5, ('class1', 1)), (6, ('class1', 2)), (7, ('class1', 3))]

任何一天都給我 Scala！

領帶不滿足所述。 不知道無論如何你會怎么做，如果這樣做，真正的好處不是那么明顯。