如何在hadoop中计数?

svgewumm  于 2021-07-15  发布在  Hadoop
关注(0)|答案(1)|浏览(298)

这个问题在这里已经有答案了

在Pypark里怎么算[关闭](2个答案)
4个月前关门了。
我有一大堆书名。我要计算整个数据集中的每个标题。例如:

`title`

A
b
A
c
c
c

输出:

title fre
    A   2
    b   1
    c   3

我正在寻找一种在hadoop中快速使用reduce函数的方法。我知道以下方法:

import pyspark.sql.functions as f
df.groupBy('title').agg(f.count('*').alias('count')).show()

我还需要得到少于10次出现的标题。

5fjcxozz

5fjcxozz1#

如果您想使用RDD,可以尝试以下代码:

grouped_rdd = (df.rdd.map(lambda r: (r[0], 1))
                 .reduceByKey(lambda x, y: x + y)
                 .sortBy(lambda r: -r[1])    # descending order; remove - if ascending.
                 .take(10)
              )

grouped_df = spark.createDataFrame(grouped_rdd, ['title', 'count'])

但我不确定这是否会比 df.groupBy('title').count() .

相关问题