草庐IT

如何有效地对 spark 数据集中的每 k 行进行分组？

codeneng 2023-03-28 原文

How to efficiently group every k rows in spark dataset?

我创建了一个 spark Dataset[Row]，Row 是 Row(x: Vector)。 x 这里是一个 1xp 向量。

是否可以 1) 每 k 行分组 2) 将这些行连接成一个 k x p 矩阵 - mX 即，将 Dateset[Row(Vector)] 更改为 Dateset[Row(Matrix)] ？

这是我目前的解决方案，将此 Dataset[Row] 转换为 RDD，并使用 zipWithIndex 和 aggregateByKey 连接每 k 行。

1
2
3
val dataRDD = data_df.rdd.zipWithIndex
    .map {  case (line, index) =>  (index/k, line) }
    .aggregateByKey(...) (..., ...)

但是好像效率不是很高，有没有更高效的方法呢？

提前致谢。

您的方法存在两个性能问题：

  • 使用全局排序
  • 进行洗牌以构建 k 的组

    • 如果您绝对需要全局排序，从第 1 行开始，并且您不能将数据分成多个分区，那么 Spark 必须通过单个核心移动所有数据。您可以通过找到一种拥有多个分区的方法来加快该部分的速度。

    您可以通过使用 mapPartitions:

    一次处理一个分区的数据来避免洗牌

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    spark.range(1, 20).coalesce(1).mapPartitions(_.grouped(5)).show

    +--------------------+
    |               value|
    +--------------------+
    |     [1, 2, 3, 4, 5]|
    |    [6, 7, 8, 9, 10]|
    |[11, 12, 13, 14, 15]|
    |    [16, 17, 18, 19]|
    +--------------------+

    请注意，上面的 coalesce(1) 将所有 20 行强制为一个分区。

    • 嗨，西姆，谢谢你的评论。我实际上不需要全球订购。 k 组也不必要地需要改组。我将 rdd.repartition(...).mapPartitions(_.grouped(5)) 应用于我的代码以避免全局分组。我只是想知道上面的代码是否会发生两次改组？即，一个用于重新分区，另一个用于 mapPartiion。
    • repartition() 会随机播放，mapPartitions() 不会。但是，除非您需要分发数据，否则您不需要 repartition()。 coalesce() 不会随机播放。

    这是一个将 N 条记录分组为列的解决方案：

    从RDD生成到DF，如下图处理。

    g 是组，k 是记录 g 内重复的编号的关键。 v 是您的记录内容。

    输入是一个 6 行的文件，我在这里使用了 3 组。

    唯一的缺点是行的余数小于分组 N。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    import org.apache.spark.sql.functions._
    import org.apache.spark.mllib.rdd.RDDFunctions._

    val dfsFilename ="/FileStore/tables/7dxa9btd1477497663691/Text_File_01-880f5.txt"
    val readFileRDD = spark.sparkContext.textFile(dfsFilename)
    val rdd2 = readFileRDD.sliding(3,3).zipWithIndex
    val rdd3 = rdd2.map(r => (r._1.zipWithIndex, r._2))
    val df = rdd3.toDF("vk","g")

    val df2 = df.withColumn("vke", explode($"vk")).drop("vk")
    val df3 = df2.withColumn("k", $"vke._2").withColumn("v", $"vke._1").drop("vke")

    val result = df3
                .groupBy("g")
                .pivot("k")
                .agg(expr("first(v)"))

    result.show()

    返回：

    1
    2
    3
    4
    5
    6
    +---+--------------------+--------------------+--------------------+
    |  g|                   0|                   1|                   2|
    +---+--------------------+--------------------+--------------------+
    |  0|The quick brown f...|Here he lays I te...|Gone are the days...|
    |  1|  Gosh, what to say.|Hallo, hallo, how...|          I am fine.|
    +---+--------------------+--------------------+--------------------+
    行进sparknbspsectionbrapache-sparkdatasetrdd

    有关如何有效地对 spark 数据集中的每 k 行进行分组？的更多相关文章

    1. ruby - 如何使用 Nokogiri 的 xpath 和 at_xpath 方法 - 2

      我正在学习如何使用Nokogiri，根据这段代码我遇到了一些问题:require'rubygems'require'mechanize'post_agent=WWW::Mechanize.newpost_page=post_agent.get('http://www.vbulletin.org/forum/showthread.php?t=230708')puts"\nabsolutepathwithtbodygivesnil"putspost_page.parser.xpath('/html/body/div/div/div/div/div/table/tbody/tr/td/div

    2. ruby - 如何从 ruby​​ 中的字符串运行任意对象方法？ - 2

      总的来说，我对ruby​​还比较陌生，我正在为我正在创建的对象编写一些rspec测试用例。许多测试用例都非常基础，我只是想确保正确填充和返回值。我想知道是否有办法使用循环结构来执行此操作。不必为我要测试的每个方法都设置一个assertEquals。例如:describeitem,"TestingtheItem"doit"willhaveanullvaluetostart"doitem=Item.new#HereIcoulddotheitem.name.shouldbe_nil#thenIcoulddoitem.category.shouldbe_nilendend但我想要一些方法来使用

    3. python - 如何使用 Ruby 或 Python 创建一系列高音调和低音调的蜂鸣声？ - 2

      关闭。这个问题是opinion-based.它目前不接受答案。想要改进这个问题？更新问题，以便editingthispost可以用事实和引用来回答它.关闭4年前。Improvethisquestion我想在固定时间创建一系列低音和高音调的哔哔声。例如:在150毫秒时发出高音调的蜂鸣声在151毫秒时发出低音调的蜂鸣声200毫秒时发出低音调的蜂鸣声250毫秒的高音调蜂鸣声有没有办法在Ruby或Python中做到这一点？我真的不在乎输出编码是什么(.wav、.mp3、.ogg等等)，但我确实想创建一个输出文件。

    4. ruby-on-rails - 如何验证 update_all 是否实际在 Rails 中更新 - 2

      给定这段代码defcreate@upgrades=User.update_all(["role=?","upgraded"],:id=>params[:upgrade])redirect_toadmin_upgrades_path,:notice=>"Successfullyupgradeduser."end我如何在该操作中实际验证它们是否已保存或未重定向到适当的页面和消息？ 最佳答案 在Rails3中，update_all不返回任何有意义的信息，除了已更新的记录数(这可能取决于您的DBMS是否返回该信息)。http://ar.ru

    5. ruby-on-rails - 按天对 Mongoid 对象进行分组 - 2

      在控制台中反复尝试之后，我想到了这种方法，可以按发生日期对类似activerecord的(Mongoid)对象进行分组。我不确定这是完成此任务的最佳方法，但它确实有效。有没有人有更好的建议，或者这是一个很好的方法？#eventsisanarrayofactiverecord-likeobjectsthatincludeatimeattributeevents.map{|event|#converteventsarrayintoanarrayofhasheswiththedayofthemonthandtheevent{:number=>event.time.day,:event=>ev

    6. ruby-on-rails - 'compass watch' 是如何工作的/它是如何与 rails 一起使用的 - 2

      我在我的项目目录中完成了compasscreate.和compassinitrails。几个问题:我已将我的.sass文件放在public/stylesheets中。这是放置它们的正确位置吗？当我运行compasswatch时，它不会自动编译这些.sass文件。我必须手动指定文件:compasswatchpublic/stylesheets/myfile.sass等。如何让它自动运行？文件ie.css、print.css和screen.css已放在stylesheets/compiled。如何在编译后不让它们重新出现的情况下删除它们？我自己编译的.sass文件编译成compiled/t

    7. ruby - 如何将脚本文件的末尾读取为数据文件(Perl 或任何其他语言) - 2

      我正在寻找执行以下操作的正确语法(在Perl、Shell或Ruby中):#variabletoaccessthedatalinesappendedasafileEND_OF_SCRIPT_MARKERrawdatastartshereanditcontinues. 最佳答案 Perl用__DATA__做这个:#!/usr/bin/perlusestrict;usewarnings;while(){print;}__DATA__Texttoprintgoeshere 关于ruby-如何将脚

    8. ruby - 解析 RDFa、微数据等的最佳方式是什么，使用统一的模式/词汇(例如 schema.org)存储和显示信息 - 2

      我主要使用Ruby来执行此操作，但到目前为止我的攻击计划如下:使用gemsrdf、rdf-rdfa和rdf-microdata或mida来解析给定任何URI的数据。我认为最好映射到像schema.org这样的统一模式，例如使用这个yaml文件，它试图描述数据词汇表和opengraph到schema.org之间的转换:#SchemaXtoschema.orgconversion#data-vocabularyDV:name:namestreet-address:streetAddressregion:addressRegionlocality:addressLocalityphoto:i

    9. ruby - 如何指定 Rack 处理程序 - 2

      Rackup通过Rack的默认处理程序成功运行任何Rack应用程序。例如:classRackAppdefcall(environment)['200',{'Content-Type'=>'text/html'},["Helloworld"]]endendrunRackApp.new但是当最后一行更改为使用Rack的内置CGI处理程序时，rackup给出“NoMethodErrorat/undefinedmethod`call'fornil:NilClass”:Rack::Handler::CGI.runRackApp.newRack的其他内置处理程序也提出了同样的反对意见。例如Rack

    10. ruby - 如何每月在 Heroku 运行一次 Scheduler 插件？ - 2

      在选择我想要运行操作的频率时，唯一的选项是“每天”、“每小时”和“每10分钟”。谢谢!我想为我的Rails3.1应用程序运行调度程序。 最佳答案 这不是一个优雅的解决方案，但您可以安排它每天运行，并在实际开始工作之前检查日期是否为当月的第一天。 关于ruby-如何每月在Heroku运行一次Scheduler插件？，我们在StackOverflow上找到一个类似的问题： https://stackoverflow.com/questions/8692687/

    随机推荐