Spark的fold()和aggregate()函数

转载请注明出处:http://www.jianshu.com/p/15739e95a46e
@贰拾贰画生

最近在学习spark,理解这两个函数时候费了一些劲,现在记录一下。

1. rdd.fold(value)(func)

说到fold()函数,就不得不提一下reduce()函数,他俩的区别就在于一个初始值。
reduce()函数是这样写的:

rdd.reduce(func)

参数是一个函数,这个函数的对rdd中的所有数据进行某种操作,比如:

val l = List(1,2,3,4)
l.reduce((x, y) => x + y)

对于这个x,它代指的是返回值,而y是对rdd各元素的遍历。
意思是对 l中的数据进行累加。
flod()函数相比reduce()加了一个初始值参数:

rdd.fold(value)(func)

scala的语法确实是比较奇怪的,既然有两个参数,你就不能把两个参数放在一个括号里吗?也是醉了,这种写法确实容易让人迷惑。

val l = List(1,2,3,4)
l.fold(0)((x, y) => x + y)

这个计算其实 0 + 1 + 2 + 3 + 4,而reduce()的计算是:1 + 2 + 3 + 4,没有初始值,或者说rdd的第一个元素值是它的初始值。

2. rdd.aggregate(value)(seqOp, combOp)

刚才说到reduce()fold(),这两个函数有一个问题,那就是它们的返回值必须与rdd的数据类型相同,啥意思呢?比如刚才那个例子,l的数据是Int,那么reduce()flod()返回的也必须是Int
aggregate()函数就打破了这个限制。比如我返回(Int, Int)。这很有用,比如我要计算平均值的时候。
要算平均值,我就有两个值是要求的,一个是rdd的各元素的累加和,另一个是元素计数,我初始化为(0, 0)
那么就是:

val l = List(1,2,3,4)
l.aggregate(0, 0)(seqOp, combOp)

那么seqOpcombOp怎么写呢?而combOp又是啥意思呢?
我们将seqOp写为:

(x, y) => (x._1 + y, x._2 + 1)

这啥意思?
在讲到reduce()函数的时候我说:

val l = List(1,2,3,4)
l.reduce((x, y) => x + y)

对于这个x,它代指的是返回值,而y是对rdd各元素的遍历。
aggregate()这也一样,x不是返回值吗,我返回值是(Int, Int)啊,它有两个元素啊,我可以用x._1x._2来代指这两个元素的,y不是rdd的元素遍历吗,那我x._1 + y就是各个元素的累加和啊,x._2 + 1就是元素计数啊。遍历完成后返回的(Int, Int)就是累加和和元素计数啊。
按理说有这么一个函数就应该结束了,后边那个combOp是干嘛的?
因为我们的计算是分布式计算,这个函数是将累加器进行合并的。
例如第一个节点遍历1和2, 返回的是(3, 2),第二个节点遍历3和4, 返回的是(7, 2),那么将它们合并的话就是3 + 7, 2 + 2,用程序写就是

(x, y) => (x._1 + y._1, x._2 + y._2)

最后程序是这样的:

val l = List(1,2,3,4)
r = l.aggregate(0, 0)((x, y) => (x._1 + y, x._2 + 1), (x, y) => (x._1 + y._1, x._2 + y._2))
m = r._1 / r._2.toFload

m就是所要求的均值。

    原文作者:贰拾贰画生
    原文地址: https://www.jianshu.com/p/15739e95a46e
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞