Spark RDD：如何最有效地计算统计数据？

Question

假设存在类似如下的元组RDD：

(key1, 1)
(key3, 9)
(key2, 3)
(key1, 4)
(key1, 5)
(key3, 2)
(key2, 7)
...

计算每个键对应的统计信息的最有效（理想情况下是分布式）方法是什么？ （目前，我特别希望计算标准偏差/方差。）据我了解，我的选择相当于：

1. 使用colStats function in MLLib： 如果认为需要进行其他统计计算，此方法的优点是可以轻松适应以后使用其他mllib.stat 函数。但是，它在包含每列数据的Vector 的 RDD 上运行，因此据我了解，这种方法需要在单个节点上收集每个键的完整值集，这似乎并不理想对于大型数据集。 Spark Vector 是否总是暗示Vector 中的数据驻留在本地，在单个节点上？
2. 先执行groupByKey，然后执行stats： 可能需要大量随机播放，as a result of the groupByKey operation。
3. 执行aggregateByKey，初始化一个新的StatCounter，并使用StatCounter::merge作为序列和组合函数：这是recommended by this StackOverflow answer的方法，避免了选项2中的groupByKey。但是，我无法在 PySpark 中找到关于 StatCounter 的良好文档。

我喜欢选项 1，因为它使代码更具可扩展性，因为它可以使用具有类似合约的其他 MLLib 函数轻松适应更复杂的计算，但如果 Vector 输入固有地要求在本地收集数据集，那么它限制了代码可以有效操作的数据大小。在其他两个之间，选项 3 看起来更有效，因为它避免了 groupByKey，但我希望确认确实如此。

还有其他我没有考虑过的选择吗？ （我目前使用的是 Python + PySpark，但如果存在语言差异，我也愿意接受 Java/Scala 中的解决方案。）

Answer 1

你可以试试reduceByKey。如果我们只想计算min()，这非常简单：

rdd.reduceByKey(lambda x,y: min(x,y)).collect()
#Out[84]: [('key3', 2.0), ('key2', 3.0), ('key1', 1.0)]

要计算mean，您首先需要创建(value, 1) 元组，我们在reduceByKey 操作中使用它来计算sum 和count。最后我们将它们彼此分开以到达mean：

meanRDD = (rdd
           .mapValues(lambda x: (x, 1))
           .reduceByKey(lambda x, y: (x[0]+y[0], x[1]+y[1]))
           .mapValues(lambda x: x[0]/x[1]))

meanRDD.collect()
#Out[85]: [('key3', 5.5), ('key2', 5.0), ('key1', 3.3333333333333335)]

对于variance，可以使用公式(sumOfSquares/count) - (sum/count)^2， 我们用以下方式翻译：

varRDD = (rdd
          .mapValues(lambda x: (1, x, x*x))
          .reduceByKey(lambda x,y: (x[0]+y[0], x[1]+y[1], x[2]+y[2]))
          .mapValues(lambda x: (x[2]/x[0] - (x[1]/x[0])**2)))

varRDD.collect()
#Out[106]: [('key3', 12.25), ('key2', 4.0), ('key1', 2.8888888888888875)]

我在虚拟数据中使用double类型的值而不是int来准确说明计算平均值和方差：

rdd = sc.parallelize([("key1", 1.0),
                      ("key3", 9.0),
                      ("key2", 3.0),
                      ("key1", 4.0),
                      ("key1", 5.0),
                      ("key3", 2.0),
                      ("key2", 7.0)])