Fitter Spark RDD基于过滤不同RDD的结果

Question

conf = SparkConf().setAppName("my_app")
with SparkContext(conf=conf) as sc:
    sqlContext = SQLContext(sc)
    df = sqlContext.read.parquet(*s3keys)

    # this gives me distinct values as list
    rdd = df.filter(
            (1442170800000 <= df.timestamp) & (
                df.timestamp <= 1442185200000) & (
                    df.lat > 40.7480) & (df.lat < 40.7513) & (
                        df.lon > -73.8492) & (
                            df.lon < -73.8438)).map(lambda p: p.userid).distinct()

    # how do I apply the above list to filter another rdd? 
    df2 = sqlContext.read.parquet(*s3keys_part2)
    # example:
    rdd = df2.filter(df2.col1 in (rdd values from above))

Answer 1

如 Matthew Graves 所述，您需要的是连接。大概意思是这样的：

pred = ((1442170800000 <= df.timestamp) & 
        (df.timestamp <= 1442185200000) &
        (df.lat > 40.7480) &
        (df.lat < 40.7513) &
        (df.lon > -73.8492) &
        (df.lon < -73.8438))

users = df.filter(pred).select("userid").distinct()

users.join(df2, users.userid == df2.col1)

Answer 2

这是 Scala 代码，而不是 Python，但希望它仍然可以作为示例。

val x = 1 to 9
val df2 = sc.parallelize(x.map(a => (a,a*a))).toDF()
val df3 = sc.parallelize(x.map(a => (a,a*a*a))).toDF()

这给了我们两个数据框，每个数据框都有名为_1和_2的列，它们是前九个自然数及其squares/cubes。

val fil = df2.filter("_1 < 5") // Nine is too many, let's go to four.
val filJoin = fil.join(df3,fil("_1") === df3("_1")
filJoin.collect

这让我们：

Array[org.apache.spark.sql.Row] = Array([1,1,1,1], [2,4,2,8], [3,9,3,27], [4,16,4,64])

要将此应用于您的问题，我将从以下内容开始：

rdd2 = rdd.join(df2, rdd.userid == df2.userid, 'inner')

但是请注意，我们需要告诉它要加入哪些列，这可能不是 userid for df2。我还建议您使用 .select('userid').distinct() 而不是 map(lambda p: p.userid)，这样它仍然是一个数据框。

您可以了解有关加入 here 的更多信息。

Fitter Spark RDD基于过滤不同RDD的结果

Fitter Spark RDD based on result from filtering of different RDD

apache-spark

rdd

pyspark