pyspark redueByKey修改单个结果

Question

我有一个在pyspark中看起来像这样的数据集:

samp = sc.parallelize([(1,'TAGA'), (1, 'TGGA'), (1, 'ATGA'), (1, 'GTGT'), (2, 'GTAT'), (2, 'ATGT'), (3, 'TAAT'), (4, 'TAGC')])

我有一个用于组合字符串的函数:

   def combine_strings(x,y):
        if (isinstance(x,list) and isinstance(y, list)):
            z = x + y
            return z
        if (isinstance(x, list) and isinstance(y, str)):
            x.append(y)
            return x
        if (isinstance(x, str) and isinstance(y, list)):
            y.append(x)
            return y
        return [x,y]

我得到的结果是:

samp.reduceByKey(lambda x,y : combine_strings(x,y)).collect()
[(1, ['TAGA', 'TGGA', 'ATGA', 'GTGT']), (2, ['GTAT', 'ATGT']), (3, 'TAAT'), (4, 'TAGC')]

我要的是:

[(1)[‘TAGA’,‘TGGA’,‘ATGA ', ' GTGT ']), (2) [' GTAT ', ' ATGT ']), (3 [' TAAT ']), (4 [' TAGC '])]

这里的一切都是数组。我不知道pyspark是否在一个有1个条目的结果上调用combine_strings，或者我是否可以告诉reduceByKey用单例结果做点什么?我如何修改reduceByKey()或combine_strings函数来产生我想要的?

Answer 1

您可以首先将这些值映射到列表中，然后仅将这些列表合并:

samp.mapValues(lambda x : [x]).reduceByKey(lambda x,y : x + y).collect()

这里的问题是这些单例子不受reduceByKey的影响。下面是另一个例子:

samp = sc.parallelize([(1,1),(2,2),(2,2),(3,3)])
>>> samp.reduceByKey(lambda x, y : x + y + 1).collect()
[(3, 3), (1, 1), (2, 5)]