pyspark之常用算子

rdd=sc.paralelize([1,2,3,4,5])
#查看分区数
rdd.getNumPartitions()
输出：4
#数据按照分区形式打印
rd.glom().collect()
输出：[[1],[2],[3],[4,5]]

1、map和flatMap

2、reduce、fold、aggregate

（1）reduce

这里是两种方式，输出是：15

（2）fold

x：初始聚合值，y：当前元素，zero的值就是初始聚合值，初始聚合值的类型决定了最后返回的类型。

最终输出：13 

（3） aggregate

第二行输出：[[2,4],[6,1]]

最后输出：13

3、filter, distinct

第二行结果：[1,2,3,2,3,4,3,4,5,4,5,6,5,6,7] 

第四行结果：[2,2,4,4,6,6]

第五行结果：[1,2,3,4,5,6,7]

4、交集insersection、并集union、排序sortBy

5、PairRDD的算子

groupByKey、reduceByKey、aggregateByKey

reduceByKeyLocally：

返回的就不是rdd格式的了，返回一个字典。