如何在 pyspark 中执行这个排序过程？答案

【问题标题】：How to execute this sorting process in pyspark?如何在 pyspark 中执行这个排序过程？
【发布时间】：2017-04-08 21:19:16
【问题描述】：

我尝试了 map、mapValues 和 sort，但没有任何效果。问题描述如下： “根据相似度（值中的第二个），如果相同，则选择ID最小的用户（值中的第一个）。” 键值对的列表是：

[
    (18, [(2, 0.5)]),
    (30, [(19, 0.5), (6, 0.25)]),
    (6, [(30, 0.25), (20, 0.2), (19, 0.2)]),
    (19, [(30, 0.5), (8, 0.2), (6, 0.2)]),
    (2, [(18, 0.5)]),
    (26, [(9, 0.2)]),
    (9, [(26, 0.2)])
]

我想得到：

[
    (18, [(2, 0.5)]),
    (30, [(19, 0.5), (6, 0.25)]),
    (6, [(30, 0.25), (19, 0.2)]),
    (19, [(30, 0.5), (6, 0.2)]),
    (2, [(18, 0.5)]),
    (26, [(9, 0.2)]),
    (9, [(26, 0.2)])
]

非常感谢！

【问题讨论】：

标签： sorting pyspark

【解决方案1】：

非常简单。只需要弄清楚必要的转换：

data = [(18, [(2, 0.5)]),
 (30, [(19, 0.5), (6, 0.25)]),
 (6, [(30, 0.25), (20, 0.2), (19, 0.2)]),
 (19, [(30, 0.5), (8, 0.2), (6, 0.2)]),
 (2, [(18, 0.5)]),
 (26, [(9, 0.2)]),
 (9, [(26, 0.2)])]

rdd1 = sc.parallelize(data)

rdd2 = rdd1.flatMapValues(lambda x:x)

rdd3 = rdd2.map(lambda x: ((x[0], x[1][1]),x[1][0]))

rdd4 = rdd3.reduceByKey(min)

rdd5 = rdd4.map(lambda x: (x[0][0], (x[1], x[0][1])))

rdd6 = rdd5.reduceByKey(lambda x,y: [x,y])
rdd6.collect()
[(9, (26, 0.2)),
 (26, (9, 0.2)),
 (18, (2, 0.5)),
 (30, [(6, 0.25), (19, 0.5)]),
 (2, (18, 0.5)),
 (6, [(30, 0.25), (19, 0.2)]),
 (19, [(30, 0.5), (6, 0.2)])]

【讨论】：