Praca z parami RDD w PySpark

Podstawy Big Data z PySpark

Upendra Devisetty

Science Analyst, CyVerse

Wprowadzenie do par RDD w PySpark

Rzeczywiste zbiory danych zazwyczaj mają postać par klucz/wartość
Każdy wiersz stanowi klucz i odwzorowuje jedną lub więcej wartości
Para RDD to specjalna struktura danych do pracy z tego rodzaju zbiorami
Para RDD: klucz jest identyfikatorem, wartość – danymi

Tworzenie par RDD

Dwa typowe sposoby tworzenia par RDD
- Z listy krotek klucz-wartość
- Ze zwykłego RDD
Dane należy przekształcić do postaci klucz/wartość

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]))

Transformacje na parach RDD

Wszystkie zwykłe transformacje działają na parach RDD
Funkcje muszą operować na parach klucz-wartość, nie na pojedynczych elementach
Przykłady transformacji na parach RDD
- reduceByKey(func): łączy wartości o tym samym kluczu
- groupByKey(): grupuje wartości o tym samym kluczu
- sortByKey(): zwraca RDD posortowane według klucza
- join(): łączy dwie pary RDD na podstawie klucza

Transformacja reduceByKey()

Transformacja reduceByKey() łączy wartości o tym samym kluczu
Wykonuje operacje równolegle dla każdego klucza w zbiorze danych
Jest transformacją, nie akcją

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)]

Transformacja sortByKey()

Operacja sortByKey() porządkuje parę RDD według klucza
Zwraca RDD posortowane rosnąco lub malejąco według klucza

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')]

Transformacja groupByKey()

groupByKey() grupuje wszystkie wartości o tym samym kluczu w parze 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']

Transformacja join()

Transformacja join() łączy dwie pary RDD na podstawie klucza

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))]

Czas na ćwiczenia!

Podstawy Big Data z PySpark