我还没有找到太多的教程使用自定义函数包。
假设我有以下数据集:
UID : distance_from_something : timestamp
100:100:0
100:101:1
100:102:2
200:200:0
200:202:3
200:204:6
300:300:0
300:303:5
现在我要计算每个液体的速度
data = LOAD 'testfile' USING PigStorage(':') AS (
uid:long,
distance:int,
time_raw:long);
SPLIT data INTO
good_data IF (
(uid > 0L)),
bad_data OTHERWISE;
REGISTER '$UDFPATH//calculateVelocity.py' USING jython AS vcalc;
grouped_data = GROUP good_data BY (long)$0;
data = FOREACH grouped_data GENERATE vcalc.calculate(good_data);
flat_data = FOREACH data GENERATE FLATTEN($0);
这是做这类事情的好方法吗?例如,如果我希望输出看起来像:
100:100:0:1
100:101:1:1
100:102:2:1
200:200:0:0.666...
200:202:3:0.666...
200:204:6:0.666...
300:300:0:0.6
300:303:5:0.6
在这种情况下,用非线性插值计算速度的最佳方法是什么?
这是我当前的占位符:
def compared_to_previous(bag, index):
dx = float(bag[index][1] - bag[index - 1][1])
dt = float(bag[index][-1] - bag[index - 1][-1])/1000
return dx/dt
def compared_to_next(bag, index):
return compared_to_previous(bag, index+1)
def calculate(inBag):
outBag = []
index = 0
tuples = len(inBag)
for t in inBag:
row = list(t)
if not index:
row.append(compared_to_next(inBag, index))
elif index == tuples - 1:
row.append(compared_to_previous(inBag, index))
else:
v = compared_to_previous(inBag, index)
v += compared_to_next(inBag, index)
row.append(v/2)
outBag.append(tuple(row))
return outBag
1条答案
按热度按时间jk9hmnmh1#
我将让你们来实际实现速度的计算——例如,不清楚如何处理变速,而实现不是Pig的问题。但是将这些数据输入到一个udf中是相当容易的。
你不想通过吗
good_data
指向udf——它指的是一个关系,而不是一个字段。您需要收集每个uid的所有记录,然后将这些记录传递给知道如何处理它们的udf:udf的输入是一袋成对的表单(距离、时间、速度),输出应该是一袋三倍的表单(距离、时间、速度)。