嵌套的RAL居?
假设我正在尝试做Spark中的“嵌套循环”。就像普通语言一样,假设我在内部循环中有一个例程,该例程以Pi Average Spark示例的方式估算Pi(请参见估算Pi)
i = 1000; j = 10^6; counter = 0.0; for ( int i =0; i < iLimit; i++) for ( int j=0; j < jLimit ; j++) counter += PiEstimator(); estimateOfAllAverages = counter / i;
我可以在Spark中嵌套并行化调用吗?我正在尝试,但还没有解决。乐于张贴错误和代码,但我想我要问一个更概念性的问题,即这是否是Spark中的正确方法。
我已经可以并行化一个Spark实例/ Pi估计,现在我想执行1000次以查看它是否在Pi上收敛。(这与我们正在尝试解决的更大问题有关,如果需要更接近MVCE的东西,我很乐意补充)
底线问题我只需要有人直接回答:使用嵌套并行化调用这是正确的方法吗?如果没有,请提出具体建议,谢谢!这是我认为正确的方法的伪代码方法:
// use accumulator to keep track of each Pi Estimate result sparkContext.parallelize(arrayOf1000, slices).map{ Function call sparkContext.parallelize(arrayOf10^6, slices).map{ // do the 10^6 thing here and update accumulator with each result } } // take average of accumulator to see if all 1000 Pi estimates converge on Pi
背景:我问了这个问题并得到了一个普遍的答案,但并没有导致解决方案,经过一番摸索后,我决定发布一个具有不同特征的新问题。我也尝试在Spark用户邮件列表中询问此问题,但那里也没有骰子。在此先感谢您的帮助。
在Pi示例中,在嵌套的for循环中,您可以通过对i * j次处理执行单个循环,然后对所有这些结果求和,然后最后除以j,可以得到相同的答案。如果您有要在外部循环中应用的步骤,请在循环中执行这些步骤,但是通过为每个内部循环组分配特定的键来创建不同的组。在不知道您要在外部循环中执行哪种操作的情况下,很难在此处给出示例。
对于仅求平均值以提高收敛性的简单情况,其相对容易。无需执行嵌套循环,只需使用i * j元素创建rdd,然后将函数应用于每个元素。
这可能看起来像(使用pySpark):( f是您要应用的任何函数,请记住,它将传递RDD中的每个元素,因此即使您未在函数中使用f,也要使用输入定义它)
x = RandomRDDs.uniformRDD(sc, i*j) function_values = x.map(f) from operator import add sum_of_values = function_values.reduce(add) averaged_value = sum_of_values/j (if you are only averaging over the outer loop)
如果要在外部循环中执行操作,我将分配一个索引(zipWIthIndex),然后使用以j为模的索引创建一个键。然后,每个不同的键将是一个单独的虚拟内部循环周期,您可以使用诸如bindByKey,foldByKey或reduceByKey之类的运算符仅对那些记录执行操作。如果将不同的密钥分配到不同的分区,则可能会降低性能。
一种替代方法是将rdd重新分区到j个分区上,然后使用foreachPartition函数将一个函数应用于每个分区。
第三种选择是并行运行内循环j次,将结果连接到一个分布式文件中,然后在将其读入Spark后执行外循环操作。