将 sparkr 收集到数据框中

Question

我正在将一些数据加载到 sparkR（Spark 版本 1.4.0，在 fedora21 上运行）中，我在其中运行了一些产生三个不同数字的算法。我的算法需要一堆参数，我想在同一数据上运行不同的参数设置。输出格式应该是一个数据框（或 csv 列表），其列是算法参数和我的算法计算的三个数字，即

  mypar1, mypar2, mypar3, myres1, myres2, myres3
  1       1.5     1.2     5.6      8.212  5.9
  2       1.8     1.7     5.1      7.78   8.34

将是两种不同参数设置的输出。 我在下面编写了脚本，该脚本在不同的参数设置上并行运行：它接受一个带有参数值作为参数的输入文件，对于上面的示例，它看起来像这样：

 1,1.5,1.2
 2,1.8,1.7

所以每行一个参数组合。

这是我的问题：不是每个参数设置都有一个，而是将所有数字组合成一个长列表。函数 cv_spark 返回一个 data.frame（基本上是一行）。如何告诉 spark 将 cv_spark 的输出组合到数据帧（即执行 rbind 之类的操作？）或列表列表？

#!/home/myname/Spark/spark-1.4.0/bin/sparkR

library(SparkR)

sparkcontext <- sparkR.init("local[3]","cvspark",sparkEnvir=list(spark.executor.memory="1g"))

cv_spark <- function(indata) {
   cv_params <- strsplit(indata, split=",")[[1]]
   param.par1 = as.integer(cv_params[1])
   param.par2 = as.numeric(cv_params[2])
   param.par3 = as.numeric(cv_params[3])
   predictions <- rep(NA, 1)
   ## here I run some calculation on some data that I load to my SparkR session, 
   ## but for illustration purpose I'm just filling up with some random numbers
   mypred = base:::sample(seq(5,10,by=0.01),3)
   predictions <- cbind(param.par1, param.par2, param.par3,mypred[1],mypred[2],mypred[3])
   return(as.data.frame(predictions))
}

args <- commandArgs(trailingOnly=TRUE)
print(paste("args ", args))
cvpar = readLines(args[[1]])

rdd <- SparkR:::parallelize(sparkcontext, coll=cvpar, numSlices=4)
myerr <- SparkR:::flatMap(rdd,cv_spark)
output <- SparkR:::collect(myerr)
print("final output")
print(output)

outfile = "spark_output.csv"
write.csv(output,outfile,quote=FALSE,row.names=FALSE)

Answer 1

我设法通过使用flatMapValues 而不是flatMap 并通过创建(key, value) 对我的各种参数设置（基本上key 是我的参数输入文件中的行号和value 是参数在那条线上）。然后我打电话给reduceByKey，它基本上每个键都有一行。修改后的脚本如下所示：

#!/home/myname/Spark/spark-1.4.0/bin/sparkR

library(SparkR)

sparkcontext <- sparkR.init("local[4]","cvspark",sparkEnvir=list(spark.executor.memory="1g"))

cv_spark <- function(indata) {
   cv_params <- unlist(strsplit(indata[[1]], split=","))
   param.par1 = as.integer(cv_params[1])
   param.par2 = as.numeric(cv_params[2])
   param.par3 = as.integer(cv_params[3])
   predictions <- rep(NA, 1)
   ## here I run some calculation on some data that I load to my SparkR session, 
   ## but for illustration purpose I'm just filling up with some random numbers
   mypred = base:::sample(seq(5,10,by=0.01),3)
   predictions <- cbind(param.par1, param.par2, param.par3,mypred[1],mypred[2],mypred[3])
   return(as.data.frame(predictions))
}

args <- commandArgs(trailingOnly=TRUE)
print(paste("args ", args))
cvpar = readLines(args[[1]])
## Creates (key, value) pairs
cvpar <- Map(list,seq(1,length(cvpar)),cvpar)

rdd <- SparkR:::parallelize(sparkcontext, coll=cvpar, numSlices=1)
myerr <- SparkR:::flatMapValues(rdd,cv_spark)
myerr <- SparkR:::reduceByKey(myerr,"c", 2L)
output <- SparkR:::collect(myerr)

myres <- sapply(output,`[`,2)
df_res <- do.call("rbind",myres)
colnames(df_res) <- c("Element","sigdf","sigq","err","err.sse","err.mse")

outfile = "spark_output.csv"
write.csv(df_res,outfile,quote=FALSE,row.names=FALSE)

这按预期工作，即输出是一个数据帧（或 csv 文件），其行数与上述脚本的输入文件中的行数相同（即不同参数值配置的数量），但也许还有更多有效的方法来做到这一点。