python – csv文件上的PySpark distinct().count()

发布时间：2020-12-16 23:36:51 所属栏目：Python 来源：网络整理

导读：我是新手,我正在尝试根据csv文件的某些字段创建一个distinct().count(). Csv结构(没有标题)： id,country,type01,AU,s102,s203,GR,s2 加载.csv我输入： lines = sc.textFile("test.txt") 然后对行返回3的不同计数如预期： lines.distinct().count() 但我不知

我是新手,我正在尝试根据csv文件的某些字段创建一个distinct().count().

Csv结构(没有标题)：

id,country,type
01,AU,s1
02,s2
03,GR,s2

加载.csv我输入：

lines = sc.textFile("test.txt")

然后对行返回3的不同计数如预期：

lines.distinct().count()

但我不知道如何基于让我们说id和国家来做出明显的计数.

解决方法

在这种情况下,您将选择要考虑的列,然后计数：

sc.textFile("test.txt")
  .map(lambda line: (line.split(',')[0],line.split(',')[1]))
  .distinct()
  .count()

这是为了清楚起见,您可以优化lambda以避免调用line.split两次.

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!