我想按值分组,然后使用PySpark在每个组中找到最大值 . 我有以下代码,但现在我有点不知道如何提取最大值 .
# some file contains tuples ('user', 'item', 'occurrences')
data_file = sc.textData('file:///some_file.txt')
# Create the triplet so I index stuff
data_file = data_file.map(lambda l: l.split()).map(lambda l: (l[0], l[1], float(l[2])))
# Group by the user i.e. r[0]
grouped = data_file.groupBy(lambda r: r[0])
# Here is where I am stuck
group_list = grouped.map(lambda x: (list(x[1]))) #?
返回类似于:
[[(u'u1', u's1', 20), (u'u1', u's2', 5)], [(u'u2', u's3', 5), (u'u2', u's2', 10)]]
我想现在为每个用户找到最大'发生' . 执行max后的最终结果将导致RDD看起来像这样:
[[(u'u1', u's1', 20)], [(u'u2', u's2', 10)]]
其中只有最大数据集将保留给文件中的每个用户 . 换句话说,我想将RDD的值更改为仅包含每个用户最多出现的一个三元组 .
2 回答
这里没有
groupBy
. 简单reduceByKey
会很好,大部分时间会更有效:我想我找到了解决方案: