Spark select RDD 中的最高值

Question

原始数据集为：

# (numbersofrating,title,avg_rating)
newRDD =[(3,'monster',4),(4,'minions 3D',5),....]

我想select top N avg_ratings in newRDD.I 使用下面的代码，它有一个错误。

selectnewRDD = (newRDD.map(x, key =lambda x: x[2]).sortBy(......))

TypeError: map() takes no keyword arguments

预期数据应为：

# (numbersofrating,title,avg_rating)
selectnewRDD =[(4,'minions 3D',5),(3,'monster',4)....]

Answer 1

您尝试过使用 top 吗？鉴于您想要最高平均评分（它是元组中的第三项），您需要使用 lambda 函数将其分配给键。

# items = (number_of_ratings, title, avg_rating)
newRDD = sc.parallelize([(3, 'monster', 4), (4, 'minions 3D', 5)])
top_n = 10
>>> newRDD.top(top_n, key=lambda items: items[2])
[(4, 'minions 3D', 5), (3, 'monster', 4)]

Answer 2

您可以将 top 或 takeOrdered 与 key 参数一起使用：

newRDD.top(2, key=lambda x: x[2])

或

newRDD.takeOrdered(2, key=lambda x: -x[2])

请注意，top 以降序获取元素，而 takeOrdered 以升序获取元素，因此 key 函数在这两种情况下是不同的。

Spark select RDD 中的最高值

Spark select top values in RDD

python

apache-spark

rdd