pyspark学习笔记(二)

pyspark
from pyspark import SparkConf, SparkContext

conf = SparkConf().setAppName('RDD2').setMaster('local[2]')
sc = SparkContext(conf=conf)

print sc.version

2.0.2

pyspark-rdd

sortBy

sortBy(keyfunc, ascending=True, numPartitions=None)

Sorts this RDD by the given keyfunc

x = sc.parallelize(['wills', 'kris', 'april', 'chang'])
def sortByFirstLetter(s): return s[0]
def sortBySecondLetter(s): return s[1]

y = x.sortBy(sortByFirstLetter).collect()
yy = x.sortBy(sortBySecondLetter).collect()

print '按第一个字母排序结果: {}'.format(y)
print '按第二个字母排序结果:{}'.format(yy)
按第一个字母排序结果: ['april', 'chang', 'kris', 'wills']
按第二个字母排序结果:['chang', 'wills', 'april', 'kris']

cartesian

cartesian(other)

Return the Cartesian product of this RDD and another one, that is, the RDD of all pairs of elements (a, b) where a is in self and b is in other.

rdd1 = sc.parallelize([1,2,3])
rdd2 = sc.parallelize([11,22,33])
res = rdd1.cartesian(rdd2)
print '笛卡尔结果:{}'.format(res)
笛卡尔结果:org.apache.spark.api.java.JavaPairRDD@5af637a2
print '笛卡尔结果:{}'.format(res.collect())
笛卡尔结果:[(1, 11), (1, 22), (1, 33), (2, 11), (3, 11), (2, 22), (2, 33), (3, 22), (3, 33)]

groupBy

groupBy(f, numPartitions=None, partitionFunc=func)

Return an RDD of grouped items.

rdd = sc.parallelize([1, 1, 2, 3, 5, 8])
result = rdd.groupBy(lambda x: x % 2).collect()
res = sorted([(x, sorted(y)) for (x, y) in result])
print 'groupBy后的结果:{}'.format(result)
print '优化后的结果对比:{}'.format(res)
groupBy后的结果:[(0, <pyspark.resultiterable.ResultIterable object at 0x7f79600a9990>), (1, <pyspark.resultiterable.ResultIterable object at 0x7f79600a9dd0>)]
优化后的结果对比:[(0, [2, 8]), (1, [1, 1, 3, 5])]

pipe

pipe(command, env=None, checkCode=False)

Return an RDD created by piping elements to a forked external process.
Parameters: checkCode – whether or not to check the return value of the shell command.

rdd = sc.parallelize(['wills', 'kris', 'april'])
rdd2 = rdd.pipe('grep -i "r"')
print '经过pipe处理过后的数据:{}'.format(rdd2.collect())
print rdd.pipe('grep "W"').collect()
经过pipe处理过后的数据:[u'kris', u'april']
[]

foreach

foreach(f)

Applies a function to all elements of this RDD.

def f(x): print(x)
sc.parallelize([1, 2, 3, 4, 5]).foreach(f)

max, min, sum, count

x = sc.parallelize([1, 2, 3, 4, 5])
print '最大值:{}'.format(x.max())
print '最小值:{}'.format(x.min())
print '总和:{}'.format(x.sum())
print '总个数:{}'.format(x.count())
最大值:5
最小值:1
总和:15
总个数:5

mean, variance, sampleVariance, stdev, sampleStdev

x = sc.parallelize([1, 2, 3, 4, 5])
print '平均值:{}'.format(x.mean())
print '方差:{}'.format(x.variance())
print '样本方差:{}'.format(x.sampleVariance())
print '总体标准偏差:{}'.format(x.stdev())
print '样本标准偏差:{}'.format(x.sampleStdev())
平均值:3.0
方差:2.0
样本方差:2.5
总体标准偏差:1.41421356237
样本标准偏差:1.58113883008

countByKey, countByValue

countByKey()

Count the number of elements for each key, and return the result to the master as a dictionary.

countByValue()

Return the count of each unique value in this RDD as a dictionary of (value, count) pairs.

rdd = sc.parallelize([("a", 1), ("b", 1), ("a", 1),("b", 2), ("a", 2)])
print '按key计算:{0}'.format(sorted(rdd.countByKey().items()))
print '按value计算:{0}'.format(sorted(sc.parallelize([1, 2, 1, 2, 2], 2).\
                                   countByValue().items()))

按key计算:[('a', 3), ('b', 2)]
按value计算:[(1, 2), (2, 3)]

first, top, take, takeOrdered

first()

Return the first element in this RDD.

top(num, key=None)

Get the top N elements from a RDD.

take(num)

Take the first num elements of the RDD.

takeOrdered(num, key=None)

Get the N elements from a RDD ordered in ascending order or as specified by the optional key function.

x = sc.parallelize(range(20))

print '第一个数:{}'.format(x.first())
print '前几个数(默认降序):{}'.format(x.top(3))
print '取几个数:{}'.format(x.take(5))
print '按一定的排序规则取数:{}'.format(x.takeOrdered(3, key=lambda x: -x))
第一个数:0
前几个数(默认降序):[19, 18, 17]
取几个数:[0, 1, 2, 3, 4]
按一定的排序规则取数:[19, 18, 17]

collectAsMap, keys, values

collectAsMap()

Return the key-value pairs in this RDD to the master as a dictionary.

rdd = sc.parallelize([('wills', 2),('chang',4), ('kris',28)])
res = rdd.collectAsMap()
print 'map结果为:{}'.format(res)
print 'keys:{}'.format(rdd.keys().collect())
print 'values:{}'.format(rdd.values().collect())
map结果为:{'wills': 2, 'chang': 4, 'kris': 28}
keys:['wills', 'chang', 'kris']
values:[2, 4, 28]

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 215,923评论 6 498
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,154评论 3 392
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 161,775评论 0 351
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,960评论 1 290
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,976评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,972评论 1 295
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,893评论 3 416
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,709评论 0 271
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,159评论 1 308
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,400评论 2 331
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,552评论 1 346
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,265评论 5 341
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,876评论 3 325
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,528评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,701评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,552评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,451评论 2 352

推荐阅读更多精彩内容