
文章目录
Transformation转换算子sample、sortBy和sortByKey
Transformation转换算子sample、sortBy和sortByKey
一、sample
随机抽样算子,根据传进去的小数按比例进行有放回或者无放回的抽样,常用于数据预览、测试或处理大规模数据时的抽样分析。sample算子函数签名如下:
Scala
def sample(
withReplacement: Boolean,
fraction: Double,
seed: Long = Utils.random.nextLong
): RDD[T]
- withReplacement:布尔值,表示抽样时是否采用有放回的方式。true 表示有放回抽样,即同一个元素可能被多次抽取;false 表示无放回抽样,每个元素最多被抽取一次。
- fraction:表示抽样比例。对于无放回抽样,fraction 是期望抽取的样本占原始数据集的比例,取值范围为 [0, 1];对于有放回抽样,fraction 表示每个元素被抽取的期望次数,取值应大于等于 0。
- seed:可选参数,表示随机数生成器的种子,指定种子可以确保每次抽样结果一致,便于调试和测试。
需求:对数据进行有放回抽样。
Java代码
java
SparkConf conf = new SparkConf().setMaster("local").setAppName("sample");
JavaSparkContext sc = new JavaSparkContext(conf);
//sample(withReplacement, fraction, seed), withReplacement表示是否放回,fraction表示采样比例,seed表示随机种子
sc.parallelize(Arrays.asList(1,2,3,4,5,6,7,8,9,10))
.sample(false,0.5,10)
.foreach(s -> System.out.println(s));
sc.stop();
Scala代码
Scala
val conf = new SparkConf()
.setMaster("local")
.setAppName("SampleTest")
val sc = new SparkContext(conf)
//sample(withReplacement, fraction, seed),
//withReplacement表示是否放回,fraction表示抽样的比例,seed表示随机种子
sc.parallelize(1 to 10)
.sample(false, 0.5,10)
.foreach(println)
sc.stop()
二、sortBy
sortBy 对任意类型的RDD 中的元素按照指定的键进行排序,需要一个函数来提取排序键,并可以指定升序或降序,以及分区数。函数签名如下:
Scala
def sortBy[K](
f: (T) => K,
ascending: Boolean = true,
numPartitions: Int = this.partitions.length
)(implicit ord: Ordering[K], ctag: ClassTag[K]): RDD[T]
- f:从 RDD 的元素中提取排序键的函数。
- ascending:布尔值,表示是否按升序排序,默认为 true。
- numPartitions:排序后 RDD 的分区数,默认为与原始 RDD 相同。
特别注意:Java API中K,V格式RDD没有sortBy操作。
案例:按照字符串长度降序排序。
Java代码:
java
SparkConf conf = new SparkConf().setMaster("local").setAppName("SortByTest");
JavaSparkContext sc = new JavaSparkContext(conf);
sc.parallelize(Arrays.asList("zhangsan", "lisi", "wangwu", "maliu"))
//sortBy:按照字符串长度进行排序
.sortBy(new Function<String, Integer>() {
@Override
public Integer call(String s) throws Exception {
return s.length();
}
},true,1)
.foreach(s -> System.out.println(s ));
sc.stop();
Scala代码:
Scala
val conf: SparkConf = new SparkConf().setMaster("local").setAppName("SortByTest")
val sc = new SparkContext(conf)
//sortBy(f, ascending, numPartitions)
//f表示排序的依据,ascending表示是否升序,numPartitions表示分区数
sc.parallelize(List("zhangsan","lisi","wangwu","maliu"))
.sortBy(_.length)
.foreach(println)
sc.stop()
三、sortByKey
sortByKey 专用于对键值对 RDD 的键进行排序,可以指定升序或降序,以及分区数。
案例:按照K,V数据中的key大小降序排序。
Java代码:
java
SparkConf conf = new SparkConf().setMaster("local").setAppName("SortByKeyTest");
JavaSparkContext sc = new JavaSparkContext(conf);
JavaPairRDD<Integer, String> rdd = sc.parallelizePairs(Arrays.asList(
new Tuple2<Integer,String>(10, "zhangsan"),
new Tuple2<Integer,String>(20, "lisi"),
new Tuple2<Integer,String>(30, "wangwu"),
new Tuple2<Integer,String>(40, "maliu")
));
//sortBy:按照字符串长度进行排序
//按照key进行排序,false降序排序
rdd.sortByKey(false).foreach(new VoidFunction<Tuple2<Integer,String>>() {
@Override
public void call(Tuple2<Integer, String> integerStringTuple2) throws Exception {
System.out.println(integerStringTuple2);
}
});
sc.stop();
Scala代码:
Scala
val conf: SparkConf = new SparkConf().setMaster("local").setAppName("SortByKeyTest")
val sc = new SparkContext(conf)
sc.parallelize(List(("a",1),("b",2),("c",3),("d",4)))
//sortByKey(ascending, numPartitions)
//ascending表示是否升序,numPartitions表示分区数
.sortByKey(false)
.foreach(println)
sc.stop()
- 📢博客主页:https://lansonli.blog.csdn.net
- 📢欢迎点赞 👍 收藏 ⭐留言 📝 如有错误敬请指正!
- 📢本文由 Lansonli 原创,首发于 CSDN博客🙉
- 📢停下休息的时候不要忘了别人还在奔跑,希望大家抓紧时间学习,全力奔赴更美好的生活✨