我有一个Pypark RDD。我希望仅当“column 1”和“column 2”在下一行中匹配时消除重复。数据如下所示:
2,10482422,0.18
2,10482422,0.4
2,10482423,0.15
2,10482423,0.43
2,10482424,0.18
2,10482424,0.49
2,10482425,0.21
2,10482425,0.52
2,10482426,0.27
2,10482426,0.64
2,10482427,0.73
在上面的示例中,我只希望通过删除其他重复行来为每一行添加一个最大值column three
预期产量为:
^{pr2}$我尝试创建一个数据帧并使用df.dropDuplicates()
,但它没有给出预期的答案。如何根据两列来保持RDD中的最大值?在
这是一个350 GB的RDD,任何优化建议都将是伟大的。在
我想reduceByKey会有帮助的。在
请记住,当使用reduceByKey或任何其他“按键”转换或操作时,可以将键定义为元组。在
结果:
^{pr2}$您的回答并非100%明确您是否要使用数据帧,但如果您愿意从您的RDD创建DF,那么您也可以使用以下方法:
相关问题 更多 >
编程相关推荐