spark的学习,lambda,map,filter,flatmap/按照字典表中的指定键或值排序

2023-12-20 23:08

本文主要是介绍spark的学习,lambda,map,filter,flatmap/按照字典表中的指定键或值排序,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

spark的学习,lambda,map,filter,flatmap
重点:需要明白各个不同函数作用后剩下的数据的情况,是保留全部列,还是当前作用的列;其次,还需明白不同函数他们的映射条件,通常都是二值变量作为条件:

经典写法1:

 df_crawler_merged_name_err = df_crawler_merged.rdd.filter(lambda _: not _legal_check(_["name"])).map(lambda _: Row(name=_["name"]))

经典写法2:

 a_data = json.loads(a_str)if a_data and a_data.get("shareHolderList", []):a_b_l = a_data.get("shareHolderList", [])shareholderName_s = filter(lambda _: len(_) > 0, [_.get("shareholderName", "") for _ in a_b_l if _])return shareholderName_sreturn []

经典写法3
比较复杂

 news_path_data_rows = news_data_2_gz_rawRdd\.map(lambda _: (news_data_2_aPathPattern.findall(_), contentPattern.findall(_)))\.filter(lambda _: len(_)>1 and len(_[0]) > 0 and len(_[1]) > 0 and json.loads(_[1][0]).get("content"))\.map(lambda _: Row(pth=_[0][0].replace('newsAnalysis/', ""), content=json.loads(_[1][0]).get("content")))\.map(lambda _: Row(result=mapping_tag_by_content(_["content"], _["pth"])))\.filter(lambda _: len(_["result"]) > 1)

经典写法4:filter里面含多个条件,类似地,其他映射函数也可以;

df_eid_person_text = spark.read.text("hdfs://sc-bd-10:9000/scdata/huangyu/person_new.csv")
df_eid_person = df_eid_person_text\.rdd\.map(lambda _: Row(**clean_person_row(_["value"])))\.filter(lambda _: _["new_eid"] and person_is_legal(_["person_name"]) and not filter_inv_name(_["person_name"])).toDF()
df_eid_person.createOrReplaceTempView("eid_person_table")

上述filter里面含有多个条件:

filter(lambda _: _["new_eid"] and person_is_legal(_["person_name"]) and not filter_inv_name(_["person_name"]))

按照字典表中的指定键或值排序:

 classifies = sorted(result.items(), key=lambda _: _[1], reverse=True)

上式中lambda表达式逗号后面的列表组成一个判断的对象(变量列表),[.get(“shareholderName”, “”) for in a_b_l if ],表示变量,首先是for _ in a_b_l ,再是if ,再是.get(“shareholderName”, “”),最后为一个列表;

#!/usr/bin/env python
# encoding: utf-8import sysreload(sys)
sys.setdefaultencoding('utf8')def _parse_ent_status(a_str):if not a_str:return ""a_data = json.loads(a_str)if a_data and a_data.get("basicList", []):a_b_l = a_data.get("basicList", [])return a_b_l[0].get("enterpriseStatus", "")return ""def parse_ent_status(a_str):try:return _parse_ent_status(a_str)except:return ""def statistic_status():parse_ent_status_udf = udf(parse_ent_status, StringType())df_crawler_status = df_crawler_merged.withColumn("status", parse_ent_status_udf(df_crawler_merged["results"]))df_crawler_status.createOrReplaceTempView("crawler_status")spark.sql("select DISTINCT(status) from crawler_status").show(2000, False)def _parse_ent_regCapCur(a_str):regCapCur = ""if not a_str:return ""a_data = json.loads(a_str)if a_data and a_data.get("basicList", []):a_b_l = a_data.get("basicList", [])regCapCur = a_b_l[0].get("regCapCur", "")for a_share in a_data.get("shareHolderList", []):regCapCur = regCapCur or a_share.get("regCapCur", "")return regCapCurdef parse_ent_regCapCur(a_str):try:return _parse_ent_regCapCur(a_str)except:return ""def statistic_regCapCur():a_udf = udf(parse_ent_regCapCur, StringType())df_crawler_field = df_crawler_merged.withColumn("regCapCur", a_udf(df_crawler_merged["results"]))df_crawler_field.createOrReplaceTempView("crawler_regCapCur")spark.sql("select regCapCur, name from crawler_regCapCur where LENGTH(regCapCur) > 10 or regCapCur like '%.%' or regCapCur like '%0%'").show(2000, False)# spark.sql("select DISTINCT(regCapCur) from crawler_regCapCur").show(2000, False)def _parse_position(a_str):if not a_str:return ""a_data = json.loads(a_str)a_person_list = [u"监" , u"其" , u"董" , u"经", u"负责人", u"代表" , u"理事长", u"人", u"投资人", u"支局长", u"长", u"工程师",]if a_data and a_data.get("personList", []):a_b_l = a_data.get("personList", [])# return u"、".join(set([_.get("position", u"") for _ in a_b_l if _]))position_filter = u"、".join(set([_.get("position", u"") for _ in a_b_l if _]))# 统计过滤if any(map(lambda _: _ in position_filter, a_person_list)):return ""else:return position_filterreturn ""def parse_position(a_str):try:return _parse_position(a_str)except:return ""def statistic_position():# position_str_rdd = df_crawler_merged.rdd.map(lambda _: Row(position_str=parse_position(_["results"]), name=_["name"]))position_str_rdd = df_crawler_merged.rdd.map(lambda _: Row(name=_["name"], position_str=_parse_position(_["results"])))position_str_rdd.toDF().createOrReplaceTempView("position_all")spark.sql("select name from position_all where LENGTH(position_str) > 1 ").show(10000000, False)def _parse_share_name(a_str):if not a_str:return []a_data = json.loads(a_str)if a_data and a_data.get("shareHolderList", []):a_b_l = a_data.get("shareHolderList", [])shareholderName_s = filter(lambda _: len(_) > 0, [_.get("shareholderName", "") for _ in a_b_l if _])return shareholderName_sreturn []def statistic_share_name():# todo 需要继续做position_str_rdd = df_crawler_merged.rdd.map(lambda _: Row(share_name=_parse_share_name(_["results"]))).flatMap(lambda x: x["share_name"]).map(lambda _: Row(name=_))position_str_rdd.toDF().createOrReplaceTempView("share_name_table")# df_name_all = spark.sql("select _c0 as name from base_info_named_eid UNION select name from crawler_merged")df_name_all = spark.sql("select _c0 as name from base_info_named_eid")df_name_all.createOrReplaceTempView("name_all")# df_share_name = spark.sql("select t1.name from share_name_table t1 where t1.name in (SELECT t2.name from name_all t2) or LENGTH(t1.name) > 5")df_share_name = spark.sql("select t1.name from share_name_table t1 where t1.name in (SELECT t2.name from name_all t2) and LENGTH(t1.name)>4")print df_share_name.count()# print df_share_name.show(10000, False)def statistic_company_name():df_crawler_merged_name_err = df_crawler_merged.rdd.filter(lambda _: not _legal_check(_["name"])).map(lambda _: Row(name=_["name"]))print df_crawler_merged_name_err.distinct().toDF().show(10000, False)

python保存csv的代码:

def get_origin_content(file_path):with codecs.open(filename=file_path, mode="r", encoding="utf8") as f:try:data = json.loads(f.read())except Exception as e:data = ""return datadef label_save(save_path, content, sentence_lst):if not os.path.exists(save_path):os.makedirs(save_path)with codecs.open(save_path, "a", "utf8") as f:f.write(json.dumps({"content": content, "sentenceLst": sentence_lst}, ensure_ascii=False, indent=2))

这篇关于spark的学习,lambda,map,filter,flatmap/按照字典表中的指定键或值排序的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/517858

相关文章

Unity新手入门学习殿堂级知识详细讲解(图文)

《Unity新手入门学习殿堂级知识详细讲解(图文)》Unity是一款跨平台游戏引擎,支持2D/3D及VR/AR开发,核心功能模块包括图形、音频、物理等,通过可视化编辑器与脚本扩展实现开发,项目结构含A... 目录入门概述什么是 UnityUnity引擎基础认知编辑器核心操作Unity 编辑器项目模式分类工程

Python中的filter() 函数的工作原理及应用技巧

《Python中的filter()函数的工作原理及应用技巧》Python的filter()函数用于筛选序列元素,返回迭代器,适合函数式编程,相比列表推导式,内存更优,尤其适用于大数据集,结合lamb... 目录前言一、基本概念基本语法二、使用方式1. 使用 lambda 函数2. 使用普通函数3. 使用 N

java -jar example.jar 产生的日志输出到指定文件的方法

《java-jarexample.jar产生的日志输出到指定文件的方法》这篇文章给大家介绍java-jarexample.jar产生的日志输出到指定文件的方法,本文给大家介绍的非常详细,对大家的... 目录怎么让 Java -jar example.jar 产生的日志输出到指定文件一、方法1:使用重定向1、

Python学习笔记之getattr和hasattr用法示例详解

《Python学习笔记之getattr和hasattr用法示例详解》在Python中,hasattr()、getattr()和setattr()是一组内置函数,用于对对象的属性进行操作和查询,这篇文章... 目录1.getattr用法详解1.1 基本作用1.2 示例1.3 原理2.hasattr用法详解2.

基于Python实现数字限制在指定范围内的五种方式

《基于Python实现数字限制在指定范围内的五种方式》在编程中,数字范围限制是常见需求,无论是游戏开发中的角色属性值、金融计算中的利率调整,还是传感器数据处理中的异常值过滤,都需要将数字控制在合理范围... 目录引言一、基础条件判断法二、数学运算巧解法三、装饰器模式法四、自定义类封装法五、NumPy数组处理

C++归并排序代码实现示例代码

《C++归并排序代码实现示例代码》归并排序将待排序数组分成两个子数组,分别对这两个子数组进行排序,然后将排序好的子数组合并,得到排序后的数组,:本文主要介绍C++归并排序代码实现的相关资料,需要的... 目录1 算法核心思想2 代码实现3 算法时间复杂度1 算法核心思想归并排序是一种高效的排序方式,需要用

Python lambda函数(匿名函数)、参数类型与递归全解析

《Pythonlambda函数(匿名函数)、参数类型与递归全解析》本文详解Python中lambda匿名函数、灵活参数类型和递归函数三大进阶特性,分别介绍其定义、应用场景及注意事项,助力编写简洁高效... 目录一、lambda 匿名函数:简洁的单行函数1. lambda 的定义与基本用法2. lambda

C++11右值引用与Lambda表达式的使用

《C++11右值引用与Lambda表达式的使用》C++11引入右值引用,实现移动语义提升性能,支持资源转移与完美转发;同时引入Lambda表达式,简化匿名函数定义,通过捕获列表和参数列表灵活处理变量... 目录C++11新特性右值引用和移动语义左值 / 右值常见的左值和右值移动语义移动构造函数移动复制运算符

Python 字典 (Dictionary)使用详解

《Python字典(Dictionary)使用详解》字典是python中最重要,最常用的数据结构之一,它提供了高效的键值对存储和查找能力,:本文主要介绍Python字典(Dictionary)... 目录字典1.基本特性2.创建字典3.访问元素4.修改字典5.删除元素6.字典遍历7.字典的高级特性默认字典

Kotlin Map映射转换问题小结

《KotlinMap映射转换问题小结》文章介绍了Kotlin集合转换的多种方法,包括map(一对一转换)、mapIndexed(带索引)、mapNotNull(过滤null)、mapKeys/map... 目录Kotlin 集合转换:map、mapIndexed、mapNotNull、mapKeys、map