pyspark:timesteps的rdd操作

Question

我有一个文件格式如下

0, Alpha,-3.9, 4, 2001-02-01 08:00:00, 5, 20
0, Beta, -3.8, 3, 2001-02-01 08:15:00, 6, 21
1, Gamma,-3.7, 8, 2001-02-01 08:30:00, 7, 22
0, Alpha,-3.5, 4, 2001-02-01 08:45:00, 8, 23
0, Alpha,-3.9, 4, 2001-02-01 09:00:00, 8, 27
0, Gamma,-3.5, 5, 2001-02-01 09:15:00, 6, 21

等等。。。 我对每个raw中的sum of 5th element感兴趣，例如，给定的Alpha/Beta/Gamma在08:00:00 to 09:00:00之间的时间间隔。我只想使用基于rdd的操作between 08:00:00 to 09:00:00得到以下结果。你知道吗

Alpha 21
Beta 6
Gamma 7

这就是我现在所做的

rdd = sc.textFile(myDataset)
newrdd = rdd.map(myFun) # myFun process each line 
filterrdd = newrdd.filter(lambda e : e[4].startswith('2001-02-01') )

但我不知道怎么继续。或者至少无法找到一种仅使用基于rdd的操作来解决它的简单方法。你知道吗

Answer 1

要按08:00:00-09:00:00（包括）之间的时间进行筛选，您只需确保此字符串的时间部分以08:或09:00:00开头，因此您的筛选函数可以是e[4].split()[1].startswith(('08:', '09:00:00'))。然后可以执行常规的RDD reduceByKey（）等操作

newrdd.filter(lambda e: e[4].split()[1].startswith(('08:', '09:00:00'))) \
      .map(lambda e: (e[1], int(e[5]))) \
      .reduceByKey(lambda x,y: x+y) \
      .collect()
#[(' Alpha', 21), (' Beta', 6), (' Gamma', 7)]