python 中的 spark 自定义排序
spark custom sort in python
我在 Spark 中有一个 RDD(下面的 python 代码):
list1 = [(1,1),(10,100)]
df1 = sc.parallelize(list1)
df1.take(2)
## [(1, 1), (10, 100)]
我想进行自定义排序,根据元组中的两个条目比较这些元组。在 python 中,此比较的逻辑类似于:
# THRESH is some constant
def compare_tuple(a, b):
center = a[0] - b[0]
dev = a[1] + b[1]
r = center / dev
if r < THRESH:
return -1
else if r == THRESH:
return 0
else:
return 1
我会在 python 中进行自定义排序:
list1.sort(compare_tuple)
如何在 pyspark 中执行此操作?根据 rdd 文档:
https://spark.apache.org/docs/1.4.1/api/python/pyspark.html#pyspark.RDD
sortBy 方法没有自定义排序参数。
我看到 scala 接口 sortBy 支持这个:
https://spark.apache.org/docs/1.4.1/api/scala/index.html#org.apache.spark.rdd.RDD
但我想要 python spark 中的这个。也欢迎任何变通类型的解决方案,谢谢!
您始终可以创建自定义 class 并实施丰富的比较方法:
pair.py
class Pair(tuple):
def _cmp(self, other):
center = self[0] - other[0]
dev = self[1] + other[1]
r = center / dev if dev != 0 else center
if r < 0:
return -1
if r > 0:
return 1
return 0
def __lt__(self, other):
return self._cmp(other) < 0
def __lte__(self, other):
return self._cmp(other) <= 0
def __eq__(self, other):
return self._cmp(other) == 0
def __ge__(self, other):
return self._cmp(other) >= 0
def __gt__(self, other):
return self._cmp(other) > 0
主脚本
from pair import Pair
sc.addPyFile("pair.py")
rdd = sc.parallelize([(1, 1),(10, 100), (-1, 1), (-1, -0.5)]).map(Pair)
rdd.sortBy(lambda x: x).collect()
## [(-1, 1), (-1, -0.5), (1, 1), (10, 100)]
但如果 dev
是标准差,那么它不会影响结果,您可以使用普通元组或 keyfunc
提取 centers
(lambda x x:[0]
).
我在 Spark 中有一个 RDD(下面的 python 代码):
list1 = [(1,1),(10,100)]
df1 = sc.parallelize(list1)
df1.take(2)
## [(1, 1), (10, 100)]
我想进行自定义排序,根据元组中的两个条目比较这些元组。在 python 中,此比较的逻辑类似于:
# THRESH is some constant
def compare_tuple(a, b):
center = a[0] - b[0]
dev = a[1] + b[1]
r = center / dev
if r < THRESH:
return -1
else if r == THRESH:
return 0
else:
return 1
我会在 python 中进行自定义排序:
list1.sort(compare_tuple)
如何在 pyspark 中执行此操作?根据 rdd 文档:
https://spark.apache.org/docs/1.4.1/api/python/pyspark.html#pyspark.RDD
sortBy 方法没有自定义排序参数。
我看到 scala 接口 sortBy 支持这个:
https://spark.apache.org/docs/1.4.1/api/scala/index.html#org.apache.spark.rdd.RDD
但我想要 python spark 中的这个。也欢迎任何变通类型的解决方案,谢谢!
您始终可以创建自定义 class 并实施丰富的比较方法:
pair.py
class Pair(tuple): def _cmp(self, other): center = self[0] - other[0] dev = self[1] + other[1] r = center / dev if dev != 0 else center if r < 0: return -1 if r > 0: return 1 return 0 def __lt__(self, other): return self._cmp(other) < 0 def __lte__(self, other): return self._cmp(other) <= 0 def __eq__(self, other): return self._cmp(other) == 0 def __ge__(self, other): return self._cmp(other) >= 0 def __gt__(self, other): return self._cmp(other) > 0
主脚本
from pair import Pair sc.addPyFile("pair.py") rdd = sc.parallelize([(1, 1),(10, 100), (-1, 1), (-1, -0.5)]).map(Pair) rdd.sortBy(lambda x: x).collect() ## [(-1, 1), (-1, -0.5), (1, 1), (10, 100)]
但如果 dev
是标准差,那么它不会影响结果,您可以使用普通元组或 keyfunc
提取 centers
(lambda x x:[0]
).