Spark RDD：如何最有效地计算统计数据？

Question

假设存在类似于以下元组的 RDD：

(key1, 1)
(key3, 9)
(key2, 3)
(key1, 4)
(key1, 5)
(key3, 2)
(key2, 7)
...

计算与每个键对应的统计信息的最有效（并且理想情况下是分布式）方法是什么？（目前，我希望计算标准偏差/方差，特别是。）据我所知，我的选择是：

1. 使用colStatsMLLib 中的函数：mllib.stat如果认为需要其他统计计算，这种方法的优点是易于适应以后使用其他函数。但是，它在Vector包含每列数据的 RDD 上运行，据我所知，这种方法需要在单个节点上收集每个键的完整值集，这对于大数据来说似乎并不理想套。Spark 是否Vector总是暗示数据在Vector本地驻留在单个节点上？
2. 执行 a groupByKey, then stats:由于groupByKey操作的结果，可能是重洗牌。
3. Perform aggregateByKey，初始化一个 new StatCounter，并StatCounter::merge用作序列和组合器函数：这是StackOverflow answer 推荐的方法，避免了groupByKeyfrom 选项 2。但是，我StatCounter在 PySpark 中找不到好的文档。

我喜欢选项 1，因为它使代码更具可扩展性，因为它可以使用其他具有类似合约的 MLLib 函数轻松适应更复杂的计算，但是如果Vector输入本身要求在本地收集数据集，那么它会限制数据大小哪些代码可以有效运行。在其他两个之间，选项 3看起来更有效，因为它避免了groupByKey，但我希望确认情况确实如此。

还有其他我没有考虑过的选择吗？（我目前正在使用 Python + PySpark，但如果存在语言差异，我也对 Java/Scala 中的解决方案持开放态度。）

Answer 1

你可以试试reduceByKey。如果我们只想计算min()：

rdd.reduceByKey(lambda x,y: min(x,y)).collect()
#Out[84]: [('key3', 2.0), ('key2', 3.0), ('key1', 1.0)]

要计算mean，您首先需要创建(value, 1)我们用来计算sum和操作count中的元组reduceByKey。最后，我们将它们相互除以得出mean：

meanRDD = (rdd
           .mapValues(lambda x: (x, 1))
           .reduceByKey(lambda x, y: (x[0]+y[0], x[1]+y[1]))
           .mapValues(lambda x: x[0]/x[1]))

meanRDD.collect()
#Out[85]: [('key3', 5.5), ('key2', 5.0), ('key1', 3.3333333333333335)]

对于variance，您可以使用公式(sumOfSquares/count) - (sum/count)^2，我们按以下方式翻译：

varRDD = (rdd
          .mapValues(lambda x: (1, x, x*x))
          .reduceByKey(lambda x,y: (x[0]+y[0], x[1]+y[1], x[2]+y[2]))
          .mapValues(lambda x: (x[2]/x[0] - (x[1]/x[0])**2)))

varRDD.collect()
#Out[106]: [('key3', 12.25), ('key2', 4.0), ('key1', 2.8888888888888875)]

我使用 type 值double而不是int在虚拟数据中来准确说明计算平均值和方差：

rdd = sc.parallelize([("key1", 1.0),
                      ("key3", 9.0),
                      ("key2", 3.0),
                      ("key1", 4.0),
                      ("key1", 5.0),
                      ("key3", 2.0),
                      ("key2", 7.0)])