如何将三个 RDD 加入一个元组？

Question

我对 Python 中的 Apache Spark 比较陌生，这就是我想要做的。我输入的数据如下。

• rdd_row 是行索引 (i) 的 RDD，
• rdd_col 是列索引 (j) 的 RDD，
• rdd_values 是值 (v) 的 RDD。

以上三个RDD都很大。

我正在尝试将它们转换为稀疏 rdd 矩阵

rdd_mat= ([rdd_row],[rdd_col],[rdd_values])

即，

rdd_mat=([i1,i2,i3 ..],[j1,j2,j3..], [v1,v2,v3 ..])

我试过了：

zip where rdd_row.zip(rdd_col).zip(rdd_val) 

但它最终给了

[(i1,j1,v1),(i2,j2,v2) ..]

和

rdd1.union(rdd2) 

不会创建元组。

非常感谢帮助我朝着正确的方向前进！

Answer 1

不幸的是，目前（Spark 1.4）如果您对线性代数感兴趣，Scala 和 Java 比 Python 更好。假设您输入如下：

import numpy as np
np.random.seed(323) 

rdd_row = sc.parallelize([0, 1, 1, 2, 3])
rdd_col = sc.parallelize([1, 2, 3, 4, 4])
rdd_vals = sc.parallelize(np.random.uniform(0, 1, size=5))

要获得所需形状的rdd_mat，您可以执行以下操作：

assert rdd_row.count() == rdd_col.count() == rdd_vals.count()
rdd_mat = sc.parallelize(
    (rdd_row.collect(), rdd_row.collect(), rdd_vals.collect()))

但这是一个相当糟糕的主意。正如@DeanLa 已经提到的，这里的并行处理非常有限，更不用说每个部分（例如整个行列表）都将在单个分区/节点上结束。

在不知道你想如何使用输出的情况下，很难给你一个有意义的建议，但一种方法是使用如下内容：

from pyspark.mllib.linalg import Vectors

coords = (rdd_row.
    zip(rdd_col).
    zip(rdd_vals).
    map(lambda ((row, col), val): (row, col, val)).
    cache())

ncol = coords.map(lambda (row, col, val): col).distinct().count()

rows = (coords.
    groupBy(lambda (row, col, val): row)
    .mapValues(lambda values: Vectors.sparse(
        ncol, sorted((col, val) for (row, col, val) in values))))

它将创建一个 rdd 对，表示给定行的行索引和值的稀疏向量。如果您添加一些连接或按列添加组，您可以自己实现一些典型的线性代数例程，但是对于功能齐全的分布式数据结构，最好使用 Scala / Java CoordinateMatrix 或 org.apache.spark.mllib.linalg.distributed 中的其他类