Bekerja dengan Pair RDD di PySpark

Fundamental Big Data dengan PySpark

Upendra Devisetty

Science Analyst, CyVerse

Pengantar pair RDD di PySpark

Dataset nyata biasanya berupa pasangan kunci/nilai
Tiap baris adalah kunci yang memetakan ke satu atau lebih nilai
Pair RDD adalah struktur data khusus untuk dataset seperti ini
Pair RDD: Kunci adalah identifikasi, nilai adalah datanya

Membuat pair RDD

Dua cara umum membuat pair RDD
- Dari list tuple kunci-nilai
- Dari RDD biasa
Ubah data ke bentuk kunci/nilai untuk paired 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]))

Transformasi pada pair RDD

Semua transformasi RDD biasa berlaku pada pair RDD
Harus memberi fungsi yang bekerja pada pasangan kunci-nilai, bukan elemen tunggal
Contoh transformasi pada paired RDD
- reduceByKey(func): Menggabungkan nilai dengan kunci yang sama
- groupByKey(): Mengelompokkan nilai dengan kunci yang sama
- sortByKey(): Mengembalikan RDD terurut berdasarkan kunci
- join(): Menggabungkan dua pair RDD berdasarkan kunci

Transformasi reduceByKey()

Transformasi reduceByKey() menggabungkan nilai dengan kunci yang sama
Menjalankan operasi paralel untuk tiap kunci dalam dataset
Ini adalah transformasi, bukan aksi

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)]

Transformasi sortByKey()

Operasi sortByKey() mengurutkan pair RDD berdasarkan kunci
Mengembalikan RDD yang diurutkan naik atau turun

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')]

Transformasi groupByKey()

groupByKey() mengelompokkan semua nilai dengan kunci yang sama dalam 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']

Transformasi join()

Transformasi join() menggabungkan dua pair RDD berdasarkan kuncinya

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))]

Ayo berlatih!

Fundamental Big Data dengan PySpark