PySpark 使用 None 键对 groupby 进行计数

Question

我有一个 spark RDD 对象（使用 pyspark），我正在尝试获得 SQL 的

的等价物

SELECT MY_FIELD COUNT(*) GROUP BY MY_FIELD

所以我尝试了以下代码：

my_groupby_count = myRDD.map(lambda x: x.type).reduceByKey(lambda x, y: x + y).collect()
# 'type' is the name of the field inside the RDD row

但我收到了一个错误，我不确定如何处理：

---------------------------------------------------------------------------
Py4JJavaError                             Traceback (most recent call last)
<ipython-input-24-23b4c60c6fd6> in <module>()
----> 1 my_groupby_count = myRDD.map(lambda x: x.type).reduceByKey(lambda x, y: x +     y).collect()

/root/spark/python/pyspark/rdd.py in collect(self)
         
         with SCCallSiteSync(self.context) as css:
-->              port = self.ctx._jvm.PythonRDD.collectAndServe(self._jrdd.rdd())
         return list(_load_from_socket(port, self._jrdd_deserializer))
 
/root/spark/python/lib/py4j-0.10.4-src.zip/py4j/java_gateway.py in __call__(self, *args)
         answer = self.gateway_client.send_command(command)
         return_value = get_return_value(
->              answer, self.gateway_client, self.target_id, self.name)

现在，由于这种方法以前对我很有效，我怀疑它可能与数据本身有关。例如，我知道 x.type 中的某些值是 None，但我不确定如何摆脱它们。

有什么想法可以继续调查吗？ P.S。 toDF() 也失败了，我想是由于同样的原因。另外，我会为 RDD 而不是 DataFrame 提供解决方案。谢谢

Answer 1

您需要提供元组reduceByKey。看来您只是忘记了“()”

myRDD.map(lambda x: (x.type, 1)).reduceByKey(lambda x, y: x + y).collect()

旁注：与 countByKey()

相同代码的较短版本

myRDD.map(lambda x: (x.type,)).countByKey()

PySpark 使用 None 键对 groupby 进行计数

PySpark count groupby with None keys

python

apache-spark

rdd

pyspark