[Pyspark]RDD常用方法总结
aggregate(zeroValue, seqOp, combOp)
-
入参：
- zeroValue表示一组初值 Tuple
- seqOp表示在各个分区partition中进行 什么样的聚合操作，支持不同类型的聚合 Func
- combOp表示将不同分区partition聚合后的结果再进行聚合，只能进行同类型聚合 Func
-
返回：
- 聚合后的结果，不是RDD，是一个python对象
下面是对一组数进行累加，并计算数据的长度的例子
# sum, sum1, sum2 的数据类型跟zeroValue一样， 是一个tuple(int, int)
seqOp = (lambda sum, item: (sum[0] + item, sum[1] + 1))
combOp = (lambda sum1, sum2: (sum1[0] + sum2[0], sum1[1] + sum2[1]))
result = sc.parallelize([1, 2, 3, 4]).aggregate((0, 0), seqOp, combOp)
print(result) # (10, 4)
aggregateByKey(zeroValue, seqFunc, combFunc, numPartitions, partitionFunc)
基本跟aggregate类似，在相同的key下进行聚合操作
-
入参：
- zeroValue表示一组初值 Tuple
- seqFunc表示在各个分区partition中进行 什么样的聚合操作，支持不同类型的聚合 Func
- combFunc表示将不同分区partition聚合后的结果再进行聚合，只能进行同类型聚合 Func
- numPartitions表示需要将此操作分割成多少个分区
- partitionFunc自定义分区方法
-
返回：
- 聚合后的结果是一个RDD，不再是一个python对象， 需要调用collect()方法取回
下面是对一队成员的成绩进行累加，并计算成员的总分和参加科目的总数
seqFunc = (lambda sum, item: (sum[0] + item, sum[1] + 1))
combFunc = (lambda sum1, sum2: (sum1[0] + sum2[0], sum1[1] + sum2[1]))
result = sc.parallelize(
[("A", 83), ("A", 74), ("A", 91), ("A", 82),
("B", 69), ("B", 62), ("B", 97), ("B", 80), ("B", 60),
("C", 78), ("C", 73), ("C", 68)]) \
.aggregateByKey((0, 0), seqFunc, combFunc)
print(result.collect()) # [('B', (368, 5)), ('C', (219, 3)), ('A', (330, 4))]
cache()
将RDD结果存储在内存中，以便再次利用
以下两条语句相等
result = sc.parallelize([1, 2, 3, 4]).cache()
result2 = sc.parallelize([1, 2, 3, 4]) \
.persist(storageLevel=StorageLevel.MEMORY_ONLY)
cartesian(rdd)
返回自己与传入rdd的笛卡尔积
-
入参：
- rdd表示一个rdd对象，可以存储不同数据类型 RDD
-
返回：
- 返回的结果是一个RDD
num_rdd = sc.parallelize([1, 2])
str_rdd = sc.parallelize(['a', 'y'])
result = num_rdd.cartesian(str_rdd)
print(result.collect()) # [(1, 'a'), (1, 'y'), (2, 'a'), (2, 'y')]
coalesce(numPartitions, shuffle)
常用于压缩任务，当分区过多时，将造成并行计算效率降低，调度器在不同分区中频繁切换，没有充分时间去完成计算任务。
-
入参：
- numPartitions表示需要将此操作压缩成多少个分区 Int
- shuffle表示是否平均分给每个分区,并不是对数据进行打乱 Boolean
(因为数据的偏斜, 也将影响并行计算的效率, 简单理解=> 木桶效应)
-
返回：
- 返回的结果是一个RDD
num_rdd = sc.parallelize([i for i in range(0, 12)], 5)
print(num_rdd.glom().collect()) # [[0, 1], [2, 3], [4, 5], [6, 7], [8, 9, 10, 11]]
new_rdd = num_rdd.coalesce(2, shuffle=True)
print(new_rdd.glom().collect()) # [[0, 1, 4, 5, 6, 7], [2, 3, 8, 9, 10, 11]]
new_rdd2 = num_rdd.coalesce(2, shuffle=False)
print(new_rdd2.glom().collect()) # [[0, 1, 2, 3], [4, 5, 6, 7, 8, 9, 10, 11]]
cogroup(rdd, numPartitions)
将两个RDD中相同key进行合并,
-
入参：
- rdd表示一个rdd对象，可以存储不同数据类型 RDD
- numPartitions表示需要将此操作压缩成多少个分区 Int
-
返回：
- 返回的结果是一个RDD
x = sc.parallelize([("a", 1), ("b", 4)])
y = sc.parallelize([("a", 2), ("y", 4)])
z = x.cogroup(y) \
.map(lambda item: (item[0], list(item[1][0]), list(item[1][1])))
print(z.collect()) # [('b', [4], []), ('y', [], [4]), ('a', [1], [2])]
collect()
将数据以List取回本地
官网提示，建议只在任务结束时在调用collect方法，否则很容易OOM
- 返回：
- 返回的结果是一个List
collectAsMap()
将数据以key-value对的形式取回本地
- 返回：
- 返回的结果是一个Dict
combineByKey(createCombiner, mergeValue, mergeCombiners, numPartitions, partitionFunc)
基本跟aggregate类似，在相同的key下进行聚合操作, 计算过程发生在Driver端
- 入参：
- createCombiner表示一个处理初值的函数 Func
- mergeValue表示在所在的Map节点上进行什么样的聚合操作，支持不同类型的聚合 Func
- mergeCombiners表示将不同Map节点上相同key聚合后的结果再进行聚合，只能进行同类型聚合 Func
- numPartitions表示需要将此操作分割成多少个分区
- partitionFunc自定义分区方法
init = (lambda val: [val])
seqFunc = (lambda sum_list, item: sum_list + [item])
combFunc = (lambda sum_list1, sum_list2: sum_list1 + sum_list2)
result = sc.parallelize(
[("A", 83), ("A", 74), ("A", 91), ("A", 82),
("B", 69), ("B", 62), ("B", 97), ("B", 80), ("B", 60),
("C", 78), ("C", 73), ("C", 68)]) \
.combineByKey(init, seqFunc, combFunc)
print(result.collect())
# [('B', [69, 62, 97, 80, 60]), ('C', [78, 73, 68]), ('A', [83, 74, 91, 82])]
count()
返回RDD内存储的数据长度(List形式)
- 返回：
- 返回的结果是一个Int
countApprox(timeout, confidence)
计算结果的估计数量；返回在timeout时间内完成的计算任务 的数据长度(List形式)
-
入参：
- timeout表示一个最大的计算时间 (毫秒) Int
- confidence表示置信区间 Float
-
返回：
- 返回的结果是一个Int
rdd = sc.parallelize([("a", 1), ("b", 1), ("a", 1)])
print(rdd.countApprox(100)) # 3
countByKey()
返回每个key对应的元素数量
- 返回：
- 返回的结果是一个Dict
rdd = sc.parallelize([("a", 1), ("b", 1), ("a", 1)])
print(rdd.countByKey()) # defaultdict(, {'a': 2, 'b': 1})
countByValue()
返回每个value出现的次数
- 返回：
- 返回的结果是一个Dict
rdd2 = sc.parallelize([1, 2, 1, 2, 2], 2)
print(rdd2.countByValue()) # defaultdict(, {1: 2, 2: 3})
distinct()
遍历全部元素，并返回包含的不同元素的总数
-
入参：
- numPartitions表示需要将此操作分割成多少个分区
-
返回：
- 返回的结果是一个Int
filter(func)
遍历全部元素，筛选符合传入方法的元素
-
入参：
- func表示需要应用到每个元素的筛选方法
-
返回：
- 返回的结果是一个RDD
rdd = sc.parallelize([1, 2, 3, 4, 5])
rdd.filter(lambda x: x % 2 == 0)
print(rdd.collect()) # [2, 4]
flatMap(func, preservesPartitioning)
遍历全部元素，将传入方法应用到每个元素上，并将最后结果展平（压成一个List）
-
入参：
- func表示需要应用到每个元素的方法
- preservesPartitioning是否保持当前分区方式，默认重新分区
-
返回：
- 返回的结果是一个RDD
rdd = sc.parallelize([2, 3, 4])
sorted(rdd.flatMap(lambda x: range(1, x)).collect()) #[1, 1, 1, 2, 2, 3]
sorted(rdd.flatMap(lambda x: [(x, x), (x, x)]).collect()) #[(2, 2), (2, 2), (3, 3), (3, 3), (4, 4), (4, 4)]
flatMapValues(func)
遍历某个元素的元素值，将传入方法应用到每个元素值上，并将最后结果展平（压成一个List）
-
入参：
- func表示需要应用到每个元素值的方法
-
返回：
- 返回的结果是一个RDD
x = sc.parallelize([("a", ["x", "y", "z"]), ("b", ["p", "r"])])
x.flatMapValues(lambda val: val).collect() # [('a', 'x'), ('a', 'y'), ('a', 'z'), ('b', 'p'), ('b', 'r')]
fold(zeroValue, func)
fold()与reduce()类似，接收与reduce接收的函数签名相同的函数，另外再加上一个初始值作为第一次调用的结果。（例如，加法初始值应为0，乘法初始值应为1）
-
入参：
- zeroValue表示一组初值 Tuple
- func表示需要应用到每个元素上的方法 Func
-
返回：
- 聚合后的结果，不是RDD，是一个python对象
x = sc.parallelize([1, 2, 3, 4, 5])
x.fold(0, add) # 15
foldByKey(zeroValue, func, numPartitions, partitionFunc)
基本跟fold()类似，在相同的key下进行聚合操作
-
入参：
- zeroValue表示一组初值 Tuple
- func表示需要应用到每个元素上的方法 Func
- numPartitions表示需要将此操作分割成多少个分区
- partitionFunc自定义分区方法
-
返回：
- 返回的结果是一个RDD
x = sc.parallelize([("a", 1), ("b", 1), ("a", 1)])
x.foldByKey(0, add).collect() # [('a', 2), ('b', 1)]
foreach(func)
用于遍历RDD中的元素,将函数func应用于每一个元素。
-
入参：
- func表示需要应用到每个元素的方法, 但这个方法不会在客户端执行
-
返回：
- 返回的结果是一个RDD
def f(x): print(x)
sc.parallelize([1, 2, 3, 4, 5]).foreach(f)
foreachPartition(func)
遍历某个分区下的全部元素,将函数func应用于每一个元素。
-
入参：
- func表示需要应用到每个元素的方法, 但这个方法不会在客户端执行
-
返回：
- 返回的结果是一个RDD
def f(iterator):
for x in iterator:
print(x)
sc.parallelize([1, 2, 3, 4, 5]).foreachPartition(f)
glom()
按分区对元素进行聚合， 返回一个二维列表
- 返回：
- 返回的结果是一个RDD
rdd = sc.parallelize([1, 2, 3, 4], 2)
sorted(rdd.glom().collect()) # [[1, 2], [3, 4]]
groupyBy(func, numPartitions, partitionFunc)
这个算子接收一个Func，应用函数后的返回值作为key，然后通过这个key来对里面的元素进行分组。
-
入参：
- func表示需要应用到每个元素上的方法 Func
- numPartitions表示需要将此操作分割成多少个分区
- partitionFunc自定义分区方法
-
返回：
- 返回的结果是一个RDD
rdd = sc.parallelize([1, 1, 2, 3, 5, 8])
result = rdd.groupBy(lambda x: x % 2).collect()
sorted([(x, sorted(y)) for (x, y) in result]) # [(0, [2, 8]), (1, [1, 1, 3, 5])]
groupByKey(numPartitions, partitionFunc)
与groupBy类似，不需要再传入func
groupWith(rdd, *rdd)
cogroup的加强版，可以用于多于两个的RDD合并
-
入参：
- rdd表示一个rdd对象，可以存储不同数据类型 RDD
- *rdd表示一个rdd可变列表对象，可以是多个RDD对象 RDD
-
返回：
- 返回的结果是一个RDD
x = sc.parallelize([("a", 1), ("b", 4)])
y = sc.parallelize([("a", 2), ("y", 4)])
w = sc.parallelize([("c", 3), ("a", 6)])
z = x.groupWith(y, w) \
.map(lambda item: (item[0], list(item[1][0]), list(item[1][1])))
print(z.collect()) # [('b', [4], []), ('y', [], [4]), ('a', [1], [2]), ('c', [], [])]
join(rdd, numPartitions)
内连接，将两个RDD中具有相同的key时进行连接
-
入参：
- rdd表示一个rdd对象，可以存储不同数据类型 RDD
- numPartitions表示需要将此操作分割成多少个分区
-
返回：
- 返回的结果是一个RDD
x = sc.parallelize([("a", 1), ("b", 4)])
y = sc.parallelize([("a", 2), ("a", 3)])
sorted(x.join(y).collect()) # [('a', (1, 2)), ('a', (1, 3))]
leftOuterJoin(other, numPartitions=None)
左外连接, 与join类似
lookup(key)
-
入参：
- key表示需要查找元素的key
-
返回：
- 返回的结果是一个List
rdd = sc.parallelize(list(zip(range(100), range(100, 200))), 10) #[(0,100), (1,101), ...]
result = rdd.lookup(6)
print(result) # 106
map(func, preservesPartitioning)
对于每个元素都应用这个func
-
入参：
- func表示需要应用到每个元素的方法
- preservesPartitioning是否保持当前分区方式，默认重新分区
-
返回：
- 返回的结果是一个RDD
rdd = sc.parallelize(["b", "a", "c"])
sorted(rdd.map(lambda x: (x, 1)).collect()) #[('a', 1), ('b', 1), ('c', 1)]
mapPartitions(func, preservesPartitioning)
对于每个分区应用这个func
-
入参：
- func表示需要应用到每个元素的方法
- preservesPartitioning是否保持当前分区方式，默认重新分区
-
返回：
- 返回的结果是一个RDD
rdd = sc.parallelize([1, 2, 3, 4], 2)
def f(iterator): yield sum(iterator)
rdd.mapPartitions(f).collect() # [3, 7]
mapPartitionsWithIndex(func, preservesPartitioning)
对于每个分区应用这个func，但同时会被传入分区的index
-
入参：
- func表示需要应用到每个元素的方法
- preservesPartitioning是否保持当前分区方式，默认重新分区
-
返回：
- 返回的结果是一个RDD
rdd = sc.parallelize([1, 2, 3, 4], 4)
def f(splitIndex, iterator): yield splitIndex
rdd.mapPartitionsWithIndex(f).sum() # 6 => 0 + 1 + 2 + 3
mapValues(func)
对键值对中每个value都应用这个func，并保持key不变
-
入参：
- func表示需要应用到每个元素值上的方法
-
返回：
- 返回的结果是一个RDD
x = sc.parallelize([("a", ["apple", "banana", "lemon"]), ("b", ["grapes"])])
def f(x): return len(x)
x.mapValues(f).collect() # [('a', 3), ('b', 1)]
partitionBy(numPartitions, partitionFunc)
返回一个原始RDD经过自定义分区方法的拷贝
-
入参：
- numPartitions表示需要将此操作分割成多少个分区
- partitionFunc自定义分区方法
-
返回：
- 返回的结果是一个RDD
rdd = sc.parallelize([(0, 1), (1, 2), (1, 3), (0, 2), (3, 5), (5, 6)])
new_rdd = rdd.partitionBy(numPartitions=3, partitionFunc=lambda x: hash(x))
print(rdd.glom().collect()) # [[], [(0, 1)], [(1, 2)], [(1, 3)], [], [(0, 2)], [(3, 5)], [(5, 6)]]
print(new_rdd.glom().collect()) # [[(0, 1), (0, 2), (3, 5)], [(1, 2), (1, 3)], [(5, 6)]]
persist(storageLevel)
当RDD第一次计算完成之后，保存起来，具体保存在什么位置根据storageLevel来决定
- 入参：
- storageLevel表示RDD的计算结果保存的位置， 内存或者硬盘中（以文件形式）
rdd = sc.parallelize(["b", "a", "c"])
rdd.persist().is_cached # True
pipe(command, env=None, checkCode=False)
将由管道命令创建的数据以RDD形式拉取到内存中
-
入参：
- command表示需要执行的命令
- env前置环境配置参数
- checkCode是否检查shell命令的返回值
-
返回：
- 返回的结果是一个RDD
x = sc.parallelize(['A', 'Ba', 'C', 'AD'])
y = x.pipe('grep -i "A"')
print(x.collect()) # ['A', 'Ba', 'C', 'AD']
print(y.collect()) # ['A', 'Ba', 'AD']
reduce(func)
对于每个元素值都应用这个func
-
入参：
- func表示需要应用到每个元素的方法
-
返回：
- 返回的结果是一个Python obj, 与元素值得数据类型一致
x = sc.parallelize([1, 2, 3])
y = x.reduce(lambda a, b : a + b )
print(x.collect()) # [1, 2, 3]
print(y) # 6
reduceByKey(func, numPartitions=None, partitionFunc)
对于这个key对应的元素值都应用这个func
-
入参：
- func表示需要应用到每个元素值的方法
- numPartitions表示需要将此操作分割成多少个分区
- partitionFunc自定义分区方法
-
返回：
- 返回的结果是一个RDD
rdd = sc.parallelize([("a", 1), ("b", 1), ("a", 1)])
sorted(rdd.reduceByKey(add).collect()) # [('a', 2), ('b', 1)]
reduceByKeyLocally(func)
功能跟reduceByKey相同，但是计算发生在mapper节点中，计算结果直接传回主节点，类似combiner
-
入参：
- func表示需要应用到每个元素值的方法 Func
-
返回：
- 返回的结果是一个RDD
rdd = sc.parallelize([("a", 1), ("b", 1), ("a", 1)])
sorted(rdd.reduceByKey(add).collect()) # [('a', 2), ('b', 1)]
repartition(numPartitions)
对RDD按指定分区数量进行重新分区
-
入参：
- numPartitions表示需要将此操作分割成多少个分区 Int
-
返回：
- 返回的结果是一个RDD
rdd = sc.parallelize([1,2,3,4,5,6,7], 4)
sorted(rdd.glom().collect()) # [[1], [2, 3], [4, 5], [6, 7]]
len(rdd.repartition(2).glom().collect()) # 2
len(rdd.repartition(10).glom().collect()) # 10
rightOuterJoin(other, numPartitions)
右外连接, 与join类似
sample(withReplacement, fraction, seed)
返回RDD数据的一个子集
-
入参：
- withReplacement表示是否试放回抽样 Boolean
- fraction表示抽样比例 Float
- seed随机种子
-
返回：
- 返回的结果是一个RDD
rdd = sc.parallelize(range(100), 4)
sample = rdd.sample(False, 0.1, 666)
print(sample.count()) # 11
sortBy(keyfunc, ascending, numPartitions)
根据keyfunc对RDD进行排序
-
入参：
- keyfunc表示需要被排序的key Func
- ascending表示升序或者降序 Boolean 默认升序
- numPartitions表示需要将此操作分割成多少个分区 Int
-
返回：
- 返回的结果是一个RDD
tmp = [('a', 1), ('b', 2), ('1', 3), ('d', 4), ('2', 5)]
sc.parallelize(tmp).sortBy(lambda x: x[0]).collect() # [('1', 3), ('2', 5), ('a', 1), ('b', 2), ('d', 4)]
sortByKey(ascending, numPartitions, keyfunc）
对RDD进行排序，默认RDD内的数据是tuple(key,value)形式
-
入参：
- ascending表示升序或者降序 Boolean 默认升序
- numPartitions表示需要将此操作分割成多少个分区 Int
- keyfunc表示需要被排序的key Func
-
返回：
- 返回的结果是一个RDD
tmp = [('a', 1), ('b', 2), ('1', 3), ('d', 4), ('2', 5)]
sc.parallelize(tmp).sortByKey(True, 1).collect() # [('1', 3), ('2', 5), ('a', 1), ('b', 2), ('d', 4)]
takeOrdered(num, key)
返回排序后的前num个数据
-
入参：
- num表示需要返回元素的数量
- key表示需要被排序的key Func
-
返回：
- 返回的结果是一个List
sc.parallelize([10, 1, 2, 9, 3, 4, 5, 6, 7]).takeOrdered(6) # [1, 2, 3, 4, 5, 6]
sc.parallelize([10, 1, 2, 9, 3, 4, 5, 6, 7], 2).takeOrdered(6, key=lambda x: -x) # [10, 9, 7, 6, 5, 4]
takeSample(withReplacement, num, seed)
返回RDD数据的一个子集
-
入参：
- withReplacement表示是否试放回抽样 Boolean
- num表示需要返回元素的数量
- seed随机种子
-
返回：
- 返回的结果是一个RDD
rdd = sc.parallelize(range(0, 10))
len(rdd.takeSample(True, 20, 1)) # 20
zip(rdd)
参考python的内置方法zip
-
入参：
- rdd表示一个rdd对象，可以存储不同数据类型,但数量需要相同 RDD
-
返回：
- 返回的结果是一个RDD
x = sc.parallelize(range(0,5))
y = sc.parallelize(range(1000, 1005))
x.zip(y).collect() # [(0, 1000), (1, 1001), (2, 1002), (3, 1003), (4, 1004)]
zipWithIndex()
与元素本身的index进行zip操作
- 返回：
- 返回的结果是一个RDD
rdd = sc.parallelize(["a", "b", "c", "d"], 3).zipWithIndex().collect()
print(rdd.collect()) #[('a', 0), ('b', 1), ('c', 2), ('d', 3)]