我是Pypark的初学者。
我想找出值中具有相同数字的字母对,然后找出哪对字母出现的频率更高。
这是我的数据
data = sc.parallelize([('a', 1), ('b', 4), ('c', 10), ('d', 4), ('e', 4), ('f', 1), ('b', 5), ('d', 5)])
data.collect()
[('a', 1), ('b', 4), ('c', 10), ('d', 4), ('e', 4), ('f', 1), ('b', 5), ('d', 5)]
我想要的结果如下:
1: a,f
4: b, d
4: b, e
4: d, e
10: c
5: b, d
我尝试了以下方法:
data1= data.map(lambda y: (y[1], y[0]))
data1.collect()
[(1, 'a'), (4, 'b'), (10, 'c'), (4, 'd'), (4, 'e'), (1, 'f'), ('b', 5), ('d', 5)]
data1.groupByKey().mapValues(list).collect()
[(10, ['c']), (4, ['b', 'd', 'e']), (1, ['a', 'f']), (5, ['b', 'd'])]
正如我所说的,我对pyspark非常陌生,并试图搜索命令,但没有成功。谁能帮我一下吗?
1条答案
按热度按时间dwbf0jvd1#
你可以用
flatMap
用pythonitertools.combinations
从分组值中获取2的组合。另外,更喜欢使用reduceByKey
而不是groupByKey
:如果要在tuple只有一个元素时获取none,可以使用以下方法: