Spark: produire RDD [(X, X)] de toutes les combinaisons possibles à partir de RDD[X]
Est-il possible d'Étincelle à mettre en œuvre."la fonction des combinaisons des collections scala?
/** Iterates over combinations.
*
* @return An Iterator which traverses the possible n-element combinations of this $coll.
* @example `"abbbc".combinations(2) = Iterator(ab, ac, bb, bc)`
*/
par exemple comment passer de RDD[X] à RDD[List[X]] ou RDD[(X,X)] pour des combinaisons de taille = 2. Et supposons que toutes les valeurs de RDD sont uniques.
4 réponses
produit Cartésien et les combinaisons sont deux choses différentes, le produit cartésien va créer un EDR de taille rdd.size() ^ 2
et les combinaisons créeront un RDD de taille rdd.size() choose 2
val rdd = sc.parallelize(1 to 5)
val combinations = rdd.cartesian(rdd).filter{ case (a,b) => a < b }`.
combinations.collect()
Remarque: cela ne fonctionne que si une commande est défini sur les éléments de la liste, puisque nous utilisons <
. Celui-ci ne fonctionne que pour choisir deux, mais peut facilement être étendu en s'assurant que la relation a < b
pour tous a et b dans la séquence
Comme expliqué, cartesian
vous donnera n^2 éléments du produit cartésien du RDD avec lui-même.
Cet algorithme calcule les combinaisons (n,2) d'un RDD sans avoir à calculer les éléments n^2 d'abord: (chaîne utilisée comme type, généraliser à un type T prend un peu de plomberie avec des fermoirs qui obscurciraient le but ici)
C'est probablement moins efficace que cartésien + filtrage en raison de l'itératif count
et take
actions qui forcent le calcul de le RDD, mais plus efficace de l'espace comme il calcule seulement le C(n,2) = n!/(2*(n-2))! = (n*(n-1)/2)
au lieu de n^2
du produit cartésien.
import org.apache.spark.rdd._
def combs(rdd:RDD[String]):RDD[(String,String)] = {
val count = rdd.count
if (rdd.count < 2) {
sc.makeRDD[(String,String)](Seq.empty)
} else if (rdd.count == 2) {
val values = rdd.collect
sc.makeRDD[(String,String)](Seq((values(0), values(1))))
} else {
val elem = rdd.take(1)
val elemRdd = sc.makeRDD(elem)
val subtracted = rdd.subtract(elemRdd)
val comb = subtracted.map(e => (elem(0),e))
comb.union(combs(subtracted))
}
}
ceci est supporté nativement par un Spark RDD avec le cartesian
transformation.
e.g.:
val rdd = sc.parallelize(1 to 5)
val cartesian = rdd.cartesian(rdd)
cartesian.collect
Array[(Int, Int)] = Array((1,1), (1,2), (1,3), (1,4), (1,5),
(2,1), (2,2), (2,3), (2,4), (2,5),
(3,1), (3,2), (3,3), (3,4), (3,5),
(4,1), (4,2), (4,3), (4,4), (4,5),
(5,1), (5,2), (5,3), (5,4), (5,5))
cela crée toutes les combinaisons (n, 2) et fonctionne pour n'importe quel RDD sans exiger n'importe quel ordre sur les éléments de RDD.
val rddWithIndex = rdd.zipWithIndex
rddWithIndex.cartesian(rddWithIndex).filter{case(a, b) => a._2 < b._2}.map{case(a, b) => (a._1, b._1)}
A. _2 et B. _2 sont les indices, tandis que A. _1 et B. _1 sont les éléments de la DRD originale.
Exemple:
notez qu'aucun ordre n'est défini sur les cartes ici.
val m1 = Map('a' -> 1, 'b' -> 2)
val m2 = Map('c' -> 3, 'a' -> 4)
val m3 = Map('e' -> 5, 'c' -> 6, 'b' -> 7)
val rdd = sc.makeRDD(Array(m1, m2, m3))
val rddWithIndex = rdd.zipWithIndex
rddWithIndex.cartesian(rddWithIndex).filter{case(a, b) => a._2 < b._2}.map{case(a, b) => (a._1, b._1)}.collect
Sortie:
Array((Map(a -> 1, b -> 2),Map(c -> 3, a -> 4)), (Map(a -> 1, b -> 2),Map(e -> 5, c -> 6, b -> 7)), (Map(c -> 3, a -> 4),Map(e -> 5, c -> 6, b -> 7)))