Работа с парными RDD в PySpark

Основы Big Data с PySpark

Upendra Devisetty

Science Analyst, CyVerse

Введение в парные RDD в PySpark

Реальные наборы данных обычно представлены в виде пар «ключ/значение»
Каждая строка — это ключ, которому соответствует одно или несколько значений
Парный RDD — специальная структура для работы с такими данными
Парный RDD: ключ — идентификатор, значение — данные

Создание парных RDD

Два основных способа создания парных RDD
- Из списка кортежей «ключ — значение»
- Из обычного RDD
Привести данные к виду «ключ/значение» для парного 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]))

Преобразования парных RDD

Все обычные преобразования применимы к парным RDD
Функции должны работать с парами «ключ — значение», а не с отдельными элементами
Примеры преобразований парных RDD
- reduceByKey(func): объединяет значения с одинаковым ключом
- groupByKey(): группирует значения с одинаковым ключом
- sortByKey(): возвращает RDD, отсортированный по ключу
- join(): объединяет два парных RDD по ключу

Преобразование reduceByKey()

Преобразование reduceByKey() объединяет значения с одинаковым ключом
Операции для каждого ключа выполняются параллельно
Это преобразование, а не действие

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)]

Преобразование sortByKey()

Операция sortByKey() сортирует парный RDD по ключу
Возвращает RDD, отсортированный по ключу в порядке возрастания или убывания

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')]

Преобразование groupByKey()

groupByKey() группирует все значения с одинаковым ключом в парном 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']

Преобразование join()

Преобразование join() объединяет два парных RDD по ключу

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))]

Давайте потренируемся!

Основы Big Data с PySpark