ich zwei RDDs mit gleichen Spalten haben:
RDD1: -Pyspark: Berechnung Summe von zwei correspoding Säulen, basierend auf Bedingungen von zwei Spalten in zwei RDDs
+-----------------+ |mid|uid|frequency| +-----------------+ | m1| u1| 1| | m1| u2| 1| | m2| u1| 2| +-----------------+
RDD2: -
+-----------------+ |mid|uid|frequency| +-----------------+ | m1| u1| 10| | m2| u1| 98| | m3| u2| 21| +-----------------+
Ich möchte die Summe von frequencies
basierend auf mid
und uid
berechnen. Ergebnis sollte etwas wie sein:
+-----------------+ |mid|uid|frequency| +-----------------+ | m1| u1| 11| | m2| u1| 100| | m3| u2| 21| +-----------------+
Vielen Dank im Voraus.
EDIT: ich die Lösung auf diese Weise auch erreicht werden (Verwendung von map-reduce):
from pyspark.sql.functions import col
data1 = [("m1","u1",1),("m1","u2",1),("m2","u1",2)]
data2 = [("m1","u1",10),("m2","u1",98),("m3","u2",21)]
df1 = sqlContext.createDataFrame(data1,['mid','uid','frequency'])
df2 = sqlContext.createDataFrame(data2,['mid','uid','frequency'])
df3 = df1.unionAll(df2)
df4 = df3.map(lambda bbb: ((bbb['mid'], bbb['uid']), int(bbb['frequency'])))\
.reduceByKey(lambda a, b: a+b)
p = df4.map(lambda p: (p[0][0], p[0][1], p[1])).toDF()
p = p.select(col("_1").alias("mid"), \
col("_2").alias("uid"), \
col("_3").alias("frequency"))
p.show()
Ausgang:
+---+---+---------+ |mid|uid|frequency| +---+---+---------+ | m2| u1| 100| | m1| u1| 11| | m1| u2| 1| | m3| u2| 21| +---+---+---------+
Sie können einige Python-Code schreiben, dieses Problem zu lösen. Wenn Sie das bereits versucht haben, sollten Sie die Frage bearbeiten und Ihren Code hinzufügen. –
Sie haben eine Gruppe in Ihrer erwarteten Ausgabe verpasst – eliasah
@ HåkenLid Wir können es normalerweise tun Python mit Pandas esp. Aber ich wollte eine pysparkspezifische Hilfe. – rootcss