嗨,我在下面创建了一个Rdd
rdd1=sc.parallelize(['P','T','K'])
rdd1.collect()
['P', 'T', 'K']
现在,我想创建新的RDD2
,其中包含所有可能的组合,如下面所示,以及新的RDD。即,除了相同的元素组合,如(p,p(、(k,k(、(t,t(。
我在做时的预期输出
RDD2.collect()
[
('P'),('T'),('K'),
('P','T'),('P','K'),('T','K'),('T','P'),('K','P'),('K','T'),
('P','T','K'),('P','K','T'),('T','P','K'),('T','K','P'),('K','P','T'),('K','T','P')
]
您似乎想要生成rdd
中元素的所有排列,其中每一行都包含唯一的值。
一种方法是首先创建一个辅助函数来生成所需的长度n
:的组合
from functools import reduce
from itertools import chain
def combinations_of_length_n(rdd, n):
# for n > 0
return reduce(
lambda a, b: a.cartesian(b).map(lambda x: tuple(chain.from_iterable(x))),
[rdd]*n
).filter(lambda x: len(set(x))==n)
从本质上讲,该函数将对自己进行rdd
的n
笛卡尔乘积,并只保留所有值不同的行。
我们可以对n = [2, 3]
:进行测试
print(combinations_of_length_n(rdd1, n=2).collect())
#[('P', 'T'), ('P', 'K'), ('T', 'P'), ('K', 'P'), ('T', 'K'), ('K', 'T')]
print(combinations_of_length_n(rdd1, n=3).collect())
#[('P', 'T', 'K'),
# ('P', 'K', 'T'),
# ('T', 'P', 'K'),
# ('K', 'P', 'T'),
# ('T', 'K', 'P'),
# ('K', 'T', 'P')]
您想要的最终输出只是这些中间结果中的union
和原始rdd
(值映射到tuple
s(。
rdd1.map(lambda x: tuple((x,)))
.union(combinations_of_length_n(rdd1, 2))
.union(combinations_of_length_n(rdd1, 3)).collect()
#[('P',),
# ('T',),
# ('K',),
# ('P', 'T'),
# ('P', 'K'),
# ('T', 'P'),
# ('K', 'P'),
# ('T', 'K'),
# ('K', 'T'),
# ('P', 'T', 'K'),
# ('P', 'K', 'T'),
# ('T', 'P', 'K'),
# ('K', 'P', 'T'),
# ('T', 'K', 'P'),
# ('K', 'T', 'P')]
为了推广任何最大重复次数:
num_reps = 3
reduce(
lambda a, b: a.union(b),
[
combinations_of_length_n(rdd1.map(lambda x: tuple((x,))), i+1)
for i in range(num_reps)
]
).collect()
#Same as above
注意:笛卡尔乘积是昂贵的运算,应尽可能避免。
有几种方法。您可以运行一个循环,获取排列并将它们存储在列表中,然后将列表转换为rdd-
>>> rdd1.collect()
['P', 'T', 'K']
>>>
>>> l = []
>>> for i in range(2,rdd1.count()+1):
... x = list(itertools.permutations(rdd1.toLocalIterator(),i))
... l = l+x
...
>>> rdd2 = sc.parallelize(l)
>>>
>>> rdd2.collect()
[('P', 'T'), ('P', 'K'), ('T', 'P'), ('T', 'K'), ('K', 'P'), ('K', 'T'), ('P', 'T', 'K'), ('P', 'K', 'T'), ('T', 'P', 'K'), ('T', 'K', 'P'), ('K', 'P', 'T'), ('K', 'T', 'P')]