（PySpark）RDD实验实战——取一个数组的中间值

南斯拉夫的铁托2024-09-25 23:29

复制代码

实验环境：

提前准备好findspark，pyspark，py4j等库

import findspark
from pyspark import SparkContext, SparkConf

findspark.init()

复制代码

#初始化spark，默认为你所设定的环境变量

conf = SparkConf().setAppName("jsytest").setMaster("local[4]")

复制代码

#创建一个SparkConf对象，用于配置Spark应用程序，用setAppName来设置程序名称，
#用setMaster来设置运行模式和线程数，这里为本地模式，4个线程

sc = SparkContext(conf=conf)

复制代码

#创建一个SparkContext对象，它是与Spark集群通信的主要接口
# sc.stop()  #关闭spark上下文

data = [(1),(5),(7),(10),(23),(20),(6),(5),(10),(7),(10)]

复制代码

#创建所需的数据集

rdd = sc.parallelize(data)

复制代码

#用parallelize方法将data中的数据结构并行化成RDD

rdd.sortBy(lambda x:x, ascending=True,numPartitions=1).collect()

复制代码

#rdd.sortBy()用于对RDD中的元素按照指定的排序键进行排序
#rdd.sortBy(keyfunc, ascending=True, numPartitions=None)
#keyfunc,是从 RDD 的每个元素中提取用于排序的键，多分区的话可以通过指定key的排序，来达到操作目的
#ascending表示排序的顺序。 True为升序，False为降序。
#numPartitions表示最终返回结果RDD的分区数。

ysj=int(rdd.count()/2)

复制代码

#取data的数据长度并取中间值

ss=rdd.sortBy(lambda x:x, ascending=True,numPartitions=1).collect()

复制代码

##把最终排序导入ss数组中

print(ss[ysj])

复制代码

#输出结果

最终全代码演示如下：

import findspark
from pyspark import SparkContext, SparkConf
findspark.init()
conf = SparkConf().setAppName("jsytest").setMaster("local[4]")
sc = SparkContext(conf=conf)
data = [(1),(5),(7),(10),(23),(20),(6),(5),(10),(7),(10)]
rdd = sc.parallelize(data)
rdd.sortBy(lambda x:x, ascending=True,numPartitions=1).collect()
ysj=int(rdd.count()/2)
ss=rdd.sortBy(lambda x:x, ascending=True,numPartitions=1).collect()
print(ss[ysj])

运行结果演示