Spark新手,希望了解优化以下代码的最佳方法。我有一个5GB文件,有50列,我从中提取了大约30列(在下面的可变位置)。然后在上面运行各种统计数据。
def numStats(position):
results = []
for lines in position:
stats = [0,0,0,0,0,0,0,0]
myData = dataSplit.map(lambda arr: (arr[lines]))
if myData.take(1) != [u'']:
myData3 = myData.map(lambda line: line.split(',')).map(lambda fields: ("Column", float(fields[0]))).map(lambda (column, value) : (value)).persist(StorageLevel.MEMORY_AND_DISK)
stats[0] = myData3.sum()
results.append(stats[0])
stats[1] = myData3.min()
results.append(stats[1])
stats[2] = myData3.max()
results.append(stats[2])
stats[3] = myData3.mean()
results.append(stats[3])
stats[4] = myData3.stdev()
results.append(stats[4])
stats[5] = myData3.variance()
results.append(stats[5])
stats[6] = myData3.sampleStdev()
results.append(stats[6])
stats[7] = myData3.sampleVariance()
results.append(stats[7])
- 您可以使用
aggregate
函数在一次数据传递中计算出许多统计信息(http://spark.apache.org/docs/1.2.0/api/python/pyspark.html#pyspark.RDD)。下面是一个使用aggregateByKey
函数的类似方法的示例:如何在spark上优化此代码 - 每次将RDD持久化一列时。为什么不缓存
myData
RDD?每次构造myData3 RDD时,它都会具体化,这意味着30次
最后,使用aggregate
函数,您将能够在一次通过数据的过程中计算所有统计信息