java-spark的各种常用算子的写法

通常写spark的程序用scala比较方便，毕竟spark的源码就是用scala写的。然而，目前java开发者特别多，尤其进行数据对接、上线服务的时候，这时候，就需要掌握一些spark在java中的使用方法了

一、map

map在进行数据处理、转换的时候，不能更常用了

在使用map之前首先要定义一个转换的函数格式如下：

Function<String, LabeledPoint> transForm = new Function<String, LabeledPoint>() {//String是某一行的输入类型 LabeledPoint是转换后的输出类型@Overridepublic LabeledPoint call(String row) throws Exception {//重写call方法String[] rowArr = row.split(",");int rowSize = rowArr.length;double[] doubleArr = new double[rowSize-1];//除了第一位的lable外 其余的部分解析成double 然后放到数组中for (int i = 1; i < rowSize; i++) {String each = rowArr[i];doubleArr[i] = Double.parseDouble(each);}//用刚才得到的数据 转成向量Vector feature = Vectors.dense(doubleArr);double label = Double.parseDouble(rowArr[0]);//构造用于分类训练的数据格式 LabelPointLabeledPoint point = new LabeledPoint(label, feature);return point;}};

　　需要特别注意的是：

1、call方法的输入应该是转换之前的数据行的类型返回值应是处理之后的数据行类型

2、如果转换方法中调用了自定义的类，注意该类名必须实现序列化比如

public class TreeEnsemble implements Serializable {
}

　　3、转换函数中如果调用了某些类的对象，比如该方法需要调用外部的一个参数，或者数值处理模型（标准化，归一化等），则该对象需要声明是final

然后就是在合适的时候调用该转换函数了

JavaRDD<LabeledPoint> rdd = oriData.toJavaRDD().map(transForm);

　　这种方式是需要将普通的rdd转成javaRDD才能使用的，转成javaRDD的这一步操作不耗时，不用担心

二、filter

在避免数据出现空值、0等场景中也非常常用，可以满足sql中where的功能

这里首先也是要定义一个函数，该函数给定数据行返回布尔值实际效果是将返回为true的数据保留

Function<String, Boolean> boolFilter = new Function<String, Boolean>() {//String是某一行的输入类型 Boolean是对应的输出类型 用于判断数据是否保留@Overridepublic Boolean call(String row) throws Exception {//重写call方法boolean flag = row!=null;return flag;}};

　通常该函数实际使用中需要修改的仅仅是row的类型也就是数据行的输入类型，和上面的转换函数不同，此call方法的返回值应是固定为Boolean

然后是调用方式

JavaRDD<LabeledPoint> rdd = oriData.toJavaRDD().filter(boolFilter);

三、mapToPair

该方法和map方法有一些类似，也是对数据进行一些转换。不过此函数输入一行输出的是一个元组，最常用的方法是用来做交叉验证或者统计错误率召回率计算AUC等等

同样，需要先定义一个转换函数

Function<String, Boolean> transformer = new PairFunction<LabeledPoint, Object, Object>() {//LabeledPoint是输入类型 后面的两个Object不要改动@Overridepublic Tuple2 call(LabeledPoint row) throws Exception {//重写call方法 通常只改动输入参数 输出不要改动double predicton = thismodel.predict(row.features());double label = row.label();return new Tuple2(predicton, label);}});

　　关于调用的类、类的对象，要求和之前的一致，类需要实现序列化，类的对象需要声明成final类型

相应的调用如下：

JavaPairRDD<Object, Object> predictionsAndLabels = oriData.mapToPair(transformer);

　　然后对该predictionsAndLabels的使用，计算准确率、召回率、精准率、AUC，接下来的博客中会有，敬请期待

如有补充，或者质疑，或者有相关问题，请发邮件给我，或者直接回复邮箱:326543991@qq.com

转载于:https://www.cnblogs.com/starwater/p/9195764.html

java-spark的各种常用算子的写法相关推荐

java序列化写法_java-spark的各种常用算子的写法
通常写spark的程序用scala比较方便,毕竟spark的源码就是用scala写的.然而,目前java开发者特别多,尤其进行数据对接.上线服务的时候,这时候,就需要掌握一些spark在java中的使 ...
java fel_开发中常用Fel的写法
直接看代码吧: package javademo; import java.util.HashMap; import java.util.Map; import com.greenpineyu.fel ...
2021年大数据Spark（十五）：Spark Core的RDD常用算子
目录常用算子基本算子分区操作函数算子重分区函数算子 1).增加分区函数 2).减少分区函数 3).调整分区函数聚合函数算子 Scala集合中的聚合函数 ...
【Spark】Spark的常用算子
Spark的常用算子目录内容 Spark的常用算子一.转换算子(Transformation) 二.行动算子(Action) 三.键值对算子(PairRDDFunctions) 四.文件系统算子( ...
spark 常用算子
一.概述算子英文翻译为:Operator(简称op) 狭义:指从一个函数空间到另一个函数空间(或它自身)的映射. 广义:指从一个空间到另一个空间的映射通俗理解:指事物(数据或函数)从一个状态到另 ...
db2dual_DB2常用SQL的写法(持续更新中...)
DB2常用SQL的写法(持续更新中...) -- Author: lavasoft -- Date : 2006-12-14 -- 创建一个自定义单值类型 create distinct typ ...
Spark _07_补充部分算子【二】
接Spark _06_补充部分算子[一] https://blog.csdn.net/qq_41946557/article/details/102673673 scala API package d ...
Java程序员最常用的20％技术总结
我听说编程语言,经常使用的是其中20%的技术.在Java这门语言中,这20%包括哪些内容?想找到一份Java初级程序员的工作,有哪些是必须掌握的,有哪些是可以现学现卖的?一个完整的Javaweb项目, ...
psid mysql_DB2常用SQL的写法(持续更新中...)
DB2常用SQL的写法(持续更新中...) -- Author: lavasoft -- Date : 2006-12-14 -- 创建一个自定义单值类型 create distinct typ ...
java日期时间库-常用案例-不保留全分享
java日期时间库-常用案例-不保留全分享除了lambda表达式,stream以及几个小的改进之外,Java 8还引入了一套全新的时间日期API,在本篇教程中我们将通过几个简单的任务示例来学习如何使 ...

java-spark的各种常用算子的写法

java-spark的各种常用算子的写法相关推荐

最新文章

热门文章