使用 pyspark 在单次遍历数据中查找最小值/最大值答案

【问题标题】：finding min/max with pyspark in single pass over data使用 pyspark 在单次遍历数据中查找最小值/最大值
【发布时间】：2016-04-11 21:43:27
【问题描述】：

我有一个包含大量数字列表的 RDD（文件中的行长度），我想知道如何在单次传递数据中获取最小值/最大值。

我知道 Min 和 Max 函数，但这需要两次传递。

【问题讨论】：

标签： python apache-spark pyspark rdd

【解决方案1】：

试试这个：

>>> from pyspark.statcounter import StatCounter
>>> 
>>> rdd = sc.parallelize([9, -1, 0, 99, 0, -10])
>>> stats = rdd.aggregate(StatCounter(), StatCounter.merge, StatCounter.mergeStats)
>>> stats.minValue, stats.maxValue
(-10.0, 99.0)

【讨论】：

【解决方案2】：

这是一个使用累加器的有效但不优雅的解决方案。不优雅之处在于您必须事先定义零/初始值，以免它们干扰数据：

from pyspark.accumulators import AccumulatorParam
class MinMaxAccumulatorParam(AccumulatorParam): 
    def zero(self, value): 
        return value
    def addInPlace(self, val1, val2): 
        return(min(val1[0],val2[0]), max(val1[1],val2[1]))

minmaxAccu = sc.accumulator([500,-500], MinMaxAccumulatorParam())

def g(x):
    global minmaxAccu
    minmaxAccu += (x,x)

rdd = sc.parallelize([1, 2, 3, 4, 5])

rdd.foreach(g)

In [149]: minmaxAccu.value
Out[149]: (1, 5)

【讨论】：