Práce s párovými RDD v PySparku

Big Data Fundamentals with PySpark

Upendra Devisetty

Science Analyst, CyVerse

Úvod do párových RDD v PySparku

Reálné datové sady jsou obvykle páry klíč/hodnota
Každý řádek je klíč a mapuje se na jednu nebo více hodnot
Párové RDD je speciální datová struktura pro práci s takovými datovými sadami
Párové RDD: klíč je identifikátor, hodnota jsou data

Vytváření párových RDD

Dva běžné způsoby vytvoření párových RDD
- Ze seznamu n-tic klíč–hodnota
- Z běžného RDD
Převedení dat do formátu klíč/hodnota pro párové 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]))

Transformace párových RDD

Na párová RDD lze aplikovat všechny běžné transformace
Je nutné předávat funkce pracující s páry klíč–hodnota, nikoli s jednotlivými prvky
Příklady transformací párových RDD
- reduceByKey(func): Sloučí hodnoty se stejným klíčem
- groupByKey(): Seskupí hodnoty se stejným klíčem
- sortByKey(): Vrátí RDD seřazené podle klíče
- join(): Spojí dvě párová RDD podle klíče

Transformace reduceByKey()

Transformace reduceByKey() sloučí hodnoty se stejným klíčem
Provádí paralelní operace pro každý klíč v datové sadě
Jde o transformaci, nikoli akci

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)]

Transformace sortByKey()

Operace sortByKey() seřadí párové RDD podle klíče
Vrátí RDD seřazené vzestupně nebo sestupně

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')]

Transformace groupByKey()

groupByKey() seskupí všechny hodnoty se stejným klíčem v párovém 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']

Transformace join()

Transformace join() spojí dvě párová RDD na základě klíče

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))]

Pojďme si procvičit!

Big Data Fundamentals with PySpark