zoukankan      html  css  js  c++  java
  • pyspark 简单用法

    0. PairRDD的意思
    PairRDD就是元素为键值对的List转化过来的RDD对象,例如


    rdd_1就是一般的非pairRDD,rdd_2为pairRDD对象,而有些SparkAPI操作是针对pairRDD对象的,例如后面将要介绍的mapValues()操作。

    1. partitionBy()函数
    rdd.partitionBy(int, function),可以对RDD对象分区,第一个参数是分区的个数,第二个对象是自定义分区函数,其作用暂时没弄清楚!

    实验代码:

     

    实验结果:

     

    在创建RDD对象的时候,采用parallelize()分了3个区,之后用partitionBy()函数,分了2个区。

    2. cache()函数
    对于需要重复用到的且占用内存小的RDD对象,可以通过rdd.cache()存储起来,之后再次使用的时候,直接读取内存中的RDD对象,节省时间。

    3. mapValues()函数
    rdd.mapValues(func)对pairRDD的value进行map操作,不涉及key的操作,只会修改value。

    实验代码:

     

    实验结果:

     

    可以看出,通过map()函数可以实现mapValues()函数的功能。

    4. sortBy()
    用法为:rdd.sortBy(func, ascending, numPartitions)

    该函数对RDD对象中的元素进行排序,第一个参数必选,其他参数可选,func指代根据什么标准进行排序,ascending为True的时候为True升序,反之为降序, 第三个参数numPartitions指定重新分区的个数。

    实验代码:

     

    实验结果:

     

    5. count(), countByValue()和countByKey()
    count()用于计数RDD中元素个数。

    countByValue()计数RDD中不同元素的相同value的个数,即根据value相同累加。

    countByKey()根据key相同累加,这三个函数中,只有countByKey()只能用于pairRDD对象,其他二者无限制。

    实验代码:

     

    实验结果:

     

    注意:countByValue()和countByKey()返回的都是map,不是List。

    6. take()和top()
    take()取RDD对象中的前几个元素,不排序

    top()取RDD对象中的最大的几个元素,降序

  • 相关阅读:
    Linux 不常用命令总结
    Linux系统修改防火墙配置
    更换git用户名或密码
    Linux 笔记
    laravel 上传文件到亚马逊 aws s3
    curl 发送请求的时候报错
    laraver + pusher + vue实现聊天室
    linux服务器查看公网IP信息的方法
    剑指offer :从尾到头打印链表
    剑指offer:替换空格
  • 原文地址:https://www.cnblogs.com/cxhzy/p/11052635.html
Copyright © 2011-2022 走看看