Werken met Pair RDD’s in PySpark

Big Data Fundamentals met PySpark

Upendra Devisetty

Science Analyst, CyVerse

Introductie tot pair RDD’s in PySpark

Datasets uit de praktijk zijn meestal key/value-paren
Elke rij is een key die naar één of meer waarden verwijst
Pair RDD is een speciale datastructuur voor dit soort datasets
Pair RDD: key is de identifier, value de data

Pair RDD’s maken

Twee gangbare manieren om pair RDD’s te maken
- Vanuit een lijst met key-value-tuple
- Vanuit een gewone RDD
Zet data om naar key/value-vorm voor een pair RDD

my_tuple = [('Sam', 23), ('Mary', 34), ('Peter', 25)]
pairRDD_tuple = sc.parallelize(my_tuple)

my_list = ['Sam 23', 'Mary 34', 'Peter 25']
regularRDD = sc.parallelize(my_list)
pairRDD_RDD = regularRDD.map(lambda s: (s.split(' ')[0], s.split(' ')[1]))

Transformaties op pair RDD’s

Alle gewone transformaties werken op pair RDD’s
Geef functies door die op key-value-paren werken, niet op losse elementen
Voorbeelden van pair RDD-transformaties
- reduceByKey(func): combineert waarden met dezelfde key
- groupByKey(): groepeert waarden met dezelfde key
- sortByKey(): retourneert een RDD gesorteerd op key
- join(): voegt twee pair RDD’s samen op basis van hun key

reduceByKey()-transformatie

reduceByKey() combineert waarden met dezelfde key
Voert parallelle bewerkingen uit per key in de dataset
Het is een transformatie, geen actie

regularRDD = sc.parallelize([("Messi", 23), ("Ronaldo", 34), 
                             ("Neymar", 22), ("Messi", 24)])
pairRDD_reducebykey = regularRDD.reduceByKey(lambda x,y : x + y)
pairRDD_reducebykey.collect()

[('Neymar', 22), ('Ronaldo', 34), ('Messi', 47)]

sortByKey()-transformatie

sortByKey() sorteert een pair RDD op key
Retourneert een RDD gesorteerd op key, oplopend of aflopend

pairRDD_reducebykey_rev = pairRDD_reducebykey.map(lambda x: (x[1], x[0]))
pairRDD_reducebykey_rev.sortByKey(ascending=False).collect()

[(47, 'Messi'), (34, 'Ronaldo'), (22, 'Neymar')]

groupByKey()-transformatie

groupByKey() groepeert alle waarden met dezelfde key in de pair RDD

airports = [("US", "JFK"),("UK", "LHR"),("FR", "CDG"),("US", "SFO")]
regularRDD = sc.parallelize(airports)
pairRDD_group = regularRDD.groupByKey().collect()
for cont, air in pairRDD_group:
  print(cont, list(air))

FR ['CDG']
US ['JFK', 'SFO']
UK ['LHR']

join()-transformatie

De join()-transformatie voegt twee pair RDD’s samen op basis van hun key

RDD1 = sc.parallelize([("Messi", 34),("Ronaldo", 32),("Neymar", 24)])
RDD2 = sc.parallelize([("Ronaldo", 80),("Neymar", 120),("Messi", 100)])

RDD1.join(RDD2).collect()

[('Neymar', (24, 120)), ('Ronaldo', (32, 80)), ('Messi', (34, 100))]

Laten we oefenen!

Big Data Fundamentals met PySpark