Я изучаю, как обрабатывать Spark RDD
с помощью Python, и я не нахожу решения в соответствии с rdd.filter()
с условием where
.
У меня есть файл CSV, который выглядит так:
id,firstname,city,age,job,salary,childen,awards
1, Yves, OLS-ET-RINHODES, 55, Pilote de chasse, 3395, 3, 3
2, Paul, MARTOT, 32, Pilote d'helicoptere, 2222, 4, 5
3, Steve, DIEULEFIT, 53, Navigateur aerien, 2152, 3, 2
4, Valentin, FEUILLADE, 27, Pilote de chasse, 1776, 0, 2
...
А это мой скрипт на Python:
#!/usr/bin/python
# -*- coding: utf-8 -*-
from pyspark import SparkContext, SparkConf
from pyspark.sql import SQLContext, SparkSession
#Context properties
conf = SparkConf().setAppName("Aeroport")
sc = SparkContext(conf=conf)
#Data Reading
data = sc.textFile("hdfs://master:9000/testfile.csv")
#Split each column
dataset = data.map(lambda l: l.split(','))
#Search children number by city
nbChildByCity = dataset.map(lambda row : (row[2],1)).reduceByKey(lambda a,b:a+b)
print "Nombre enfant par ville naissance : " + str(nbChildByCity.collect())
#Search children number by city with father > 50 years old
nbChildByCityFather = dataset.filter(lambda row : row[3] > 50 in nbChildByCity)
#nbChildByCityFather = dataset.filter(lambda row : row[3] > 50 in row[1])
print "Nombre enfant par ville naissance avec père > 50 ans : " + str(nbChildByCityFather.collect())
Моя проблема: # Искать количество детей по городам с отцом старше 50 лет
Не побоюсь добавить последнее условие: father > 50 years old
. Как мне записать условие where
в RDD?
Я пробовал это:
nbChildByCityFather = dataset.filter(lambda row : row[3] > 50 in nbChildByCity)
nbChildByCityFather = dataset.filter(lambda row : row[3] > 50 in row[1])
Но результата нет ..
Это проще и эффективнее реализовать с помощью API фрейма данных (см. Альтернативный подход внизу).
Чтобы получить количество записей, в которых возраст в строке превышает 50, сначала необходимо выполнить фильтрацию. Вам также необходимо использовать столбец возраста (индекс 6) в вашем вызове reduce
:
Количество детей по городам:
nbChildByCity = data.map(lambda row : (row[2], int(row[6].strip())))
#note that it's using child count, not 1
nbChildByCity.collect()
Выходы:
[(' OLS-ET-RINHODES', 3), (' MARTOT', 4), (' DIEULEFIT', 3), (' FEUILLADE', 0)]
То же, но с wi:
nbChildByCity50 = rdd.filter(lambda l: int(l[3]) > 50 )\
.map(lambda row : (row[2], int(row[6].strip()) ))\
.reduceByKey(lambda a,b:a+b)
print("Nombre enfant par ville naissance :" + str(nbChildByCity50.collect()))
Выходы:
Nombre enfant par ville naissance :[(' OLS-ET-RINHODES', 3), (' DIEULEFIT', 3)]
Обратите внимание, что это проще и целесообразнее сделать с помощью API фрейма данных:
df = spark.read.csv('cities.csv', header=True, inferSchema=True)
grp = df.groupBy(['city'])
grp.sum('childen').show()
Который дает:
+----------------+------------+
| city|sum(childen)|
+----------------+------------+
| FEUILLADE| 0.0|
| MARTOT| 4.0|
| DIEULEFIT| 3.0|
| OLS-ET-RINHODES| 3.0|
+----------------+------------+
И с фильтром по возрасту:
grp = df.where('age > 50').groupBy(['city'])
grp.sum('childen').show()
Какие выходы:
+----------------+------------+
| city|sum(childen)|
+----------------+------------+
| DIEULEFIT| 3.0|
| OLS-ET-RINHODES| 3.0|
+----------------+------------+
Если я хочу использовать Spark для подобных вещей, что лучше: RDD или Dataframe? Оба используют узлы кластера? Есть более быстрый подход?
Фреймы данных - это API более высокого уровня, в котором используются RDD. Все зависит от функциональности, которую вам нужно достичь, но отдайте предпочтение фреймам данных. Также приятно отметить, что фреймы данных и RDD совместимы ... Проверьте страницу документации SQL / RDD, она подробно объяснена!
Да, я знал о двойственности между RDD / Dataframes;) И оба использовали узлы кластера для выполнения заданий, верно?
О да! Оба используют распределенный вычислительный движок Spark, как обычно, работающий на узлах кластера.
Ок, прекрасно ! Большое спасибо ! Это непросто, когда кто-то начинает со Spark и распределенной среды, но я хорошо понимаю, что фреймы данных и синтаксис проще;)
Вам стоит filter
первыйперед применением reduceByKey
nbChildByCityFather = dataset.filter(lambda row : int(row[3].strip()) > 50).map(lambda row : (row[2],1)).reduceByKey(lambda a,b:a+b)
print "Nombre enfant par ville naissance avec pere > 50 ans : " + str(nbChildByCityFather.collect())
Примечание: этот метод работает только в том случае, если вы удалите строку заголовка из файла csv или как-то отфильтруете ее.
nbChildByCityFather = nbChildByCity.filter (лямбда-строка: строка [3]> 50)