在 PySpark 中根据值相等过滤键/值对的 RDD

Question

给定

[('Project', 10),
 ("Alice's", 11),
 ('in', 401),
 ('Wonderland,', 3),
 ('Lewis', 10),
 ('Carroll', 4),
 ('', 2238),
 ('is', 10),
 ('use', 24),
 ('of', 596),
 ('anyone', 4),
 ('anywhere', 3),

其中配对RDD的值是词频。

我只想返回出现10次的单词。预期产出

 [('Project', 10),
   ('Lewis', 10),
   ('is', 10)]

我尝试使用

rdd.filter(lambda words: (words,10)).collect()

但它仍然显示整个列表。我该怎么办？

Answer 1

你的 lambda 函数是错误的；它应该是

rdd.filter(lambda words: words[1] == 10).collect()

例如，

my_rdd = sc.parallelize([('Project', 10), ("Alice's", 11), ('in', 401), ('Wonderland,', 3), ('Lewis', 10)], ('is', 10)]

>>> my_rdd.filter(lambda w: w[1] == 10).collect()
[('Project', 10), ('Lewis', 10), ('is', 10)]