RDD触发算子的使用

count

复制代码
"""
返回值int
获取总条数
"""

take

复制代码
"""
返回前几条的数据
在driver的内存中存放------------只能少量 也就是说最终会放到同一个分区中
不会自动打印
"""

foreach

复制代码
"""
遍历每一条数据------打印

foreach 会对每个分区内的元素进行并行处理
结果的顺序可能每次都不一样,输出的具体顺序是不可预测的
要想真正排序 ,要么将分区减为1 要么collect
"""

saveAsTextFile

复制代码
"""
将数据保存在外部文件(hdfs)中
生成的文件和分区数有关

"""

collect

复制代码
"""
收集数据------将RDD转化成一个列表返回

这个RDD的数据一定不能过大,如果RDD数据量很大,导致Driver内存溢出
"""

first

复制代码
"""
获取RDD中的第一个值

"""

reduce

复制代码
"""
将RDD中的每个元素按照给定的聚合函数进行聚合,返回聚合的结果
类似sum()
"""

top

复制代码
"""
获取RDD中的最大的几个
会自动排序 ,可以指定排序规则
相当于 sortBy+take
"""
# 按照某一列进行排序
.top(10, lambda a: a[1])

不写的话 应该是按照key 值进行排序

takeOrdered

复制代码
"""
获取RDD中的最小的几个
自带排序 
"""

max

其中max和top均可以返回最大值,那么区别是什么

max:

1、只返回数据集中指定列或RDD中的最大值,即单一的最大元素。

2、并不对数据进行排序,通过分布式的计算方式查找数据集中的最大值

top

1、返回数据集中的前几个最大值,可以指定返回的数量。即使只需要一个最大值,也会以列表的形式返回。

2、对数据集进行局部排序,然后返回指定数量的最大值,因此在一定程度上会影响性能(特别是在数据量较大时)。top 方法默认返回结果是降序排列的。

复制代码
"""
获取最大值
触发算子
"""
rsRdd.max(lambda tupleA: tupleA[1])

min

复制代码
"""
获取最小值
触发算子
"""
rsRdd.min(lambda tupleA: tupleA[1])

mean

复制代码
"""
获取平均值
触发算子
"""
rsRdd.mean(lambda tupleA: tupleA[1])
相关推荐
闲人编程19 分钟前
自动化文件管理:分类、重命名和备份
python·microsoft·分类·自动化·备份·重命名·自动化文件分类
微露清风1 小时前
系统性学习C++-第八讲-vector类
java·c++·学习
Jonathan Star1 小时前
用Python轻松提取视频音频并去除静音片段
开发语言·python·音视频
月临水1 小时前
Git 学习笔记
笔记·git·学习·1024程序员节
奋斗的牛马1 小时前
FPGA—ZYNQ学习Debug(三)
学习·fpga开发
qq_401700412 小时前
matlab学习
学习·算法·matlab
hd51cc2 小时前
C++ 类的学习(四) 继承
开发语言·c++·学习
刘火锅2 小时前
Java 17 环境下 EasyPoi 反射访问异常分析与解决方案(ExcelImportUtil.importExcelMore)
java·开发语言·python
码龄3年 审核中3 小时前
说说SSH的端口转发
大数据·运维·ssh
Hi202402174 小时前
Qt+Qml客户端和Python服务端的网络通信原型
开发语言·python·qt·ui·网络通信·qml