Nano Hash - криптовалюты, майнинг, программирование

zip RDD, созданные из разных входных файлов

У меня есть два файла в HDFS с одинаковым количеством строк. Строки из файлов соответствуют друг другу по номеру строки.

lines1=sc.textFile('1.txt')  
lines2=sc.textFile('2.txt')

Мой вопрос: как правильно заархивировать rdd lines1 с lines2?

zipped=lines1.zip(lines2)

Zip требует одинакового размера RDD и одинаковых разделов (как я понял, учитываются не только разделы, но и одинаковое количество элементов в каждом разделе). Первое требование уже выполнено. Как обеспечить второй?

Спасибо!

Сергей.

apache-spark rdd
02.04.2016

Ответы:


1

В общем случае ни одно из условий не будет выполнено, и zip не является хорошим инструментом для выполнения подобных операций. Как количество разделов, так и количество элементов в каждом разделе зависят не только от количества строк, но и от размера файла, размера отдельных файлов и конфигурации.

zip полезен, когда вы соединяете RDD, которые могут иметь общего предка и не разделены путем перемешивания, например:

parent = sc.parallelize(range(100))
child1 = parent.map(some_func)
child2 = parent.map(other_func)
child1.zip(child2)

Чтобы объединить RDD построчно, вы можете сделать что-то вроде этого:

def index_and_sort(rdd):
    def swap(xy):
        x, y = xy
        return y, x
    return rdd.zipWithIndex().map(swap).sortByKey()

index_and_sort(lines1).join(index_and_sort(lines)).values()

После индексации и сортировки zip должно быть безопасно:

from pyspark import RDD

RDD.zip(*(index_and_sort(rdd).values() for rdd in [lines1, lines2]))

но зачем вообще заморачиваться?

Эквивалент Scala:

import org.apache.spark.rdd.RDD

def indexAndSort(rdd: RDD[String]) = rdd.zipWithIndex.map(_.swap).sortByKey()

indexAndSort(lines1).join(indexAndSort(lines2)).values
03.04.2016
  • zero323 - идея ясна. Спасибо! Почему вы также используете сортировку? 03.04.2016
  • Потому что я не хочу использовать HashPartitioner на join. 03.04.2016
    • Новые материалы
    Кластеризация: более глубокий взгляд
    Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
    Как написать эффективное резюме
    Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
    Частный метод Python: улучшение инкапсуляции и безопасности
    Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
    Как я автоматизирую тестирование с помощью Jest
    Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
    Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
    Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
    Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
    В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
    Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
    В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..