scala - Spark - scala：随机播放 RDD / 将 RDD 拆分为两个随机部分

Question

如何获取一个 rdd 的 spark 数组，并将其随机分成两个 rdd，这样每个 rdd 都将包含部分数据（比如说 97% 和 3%）。

我想改组列表然后shuffledList.take((0.97*rddList.count).toInt)

但是我怎样才能随机播放rdd？

还是有更好的方法来拆分列表？

Answer 1

我找到了一种简单快捷的拆分数组的方法：

val Array(f1,f2) = data.randomSplit(Array(0.97, 0.03))

它将使用提供的权重拆分数据。

Answer 2

你应该使用randomSplit方法：

def randomSplit(weights: Array[Double], seed: Long = Utils.random.nextLong): Array[RDD[T]]

// Randomly splits this RDD with the provided weights.
// weights for splits, will be normalized if they don't sum to 1
// returns split RDDs in an array

这是它在 spark 1.0中的实现：

def randomSplit(weights: Array[Double], seed: Long = Utils.random.nextLong): Array[RDD[T]] = {
    val sum = weights.sum
    val normalizedCumWeights = weights.map(_ / sum).scanLeft(0.0d)(_ + _)
    normalizedCumWeights.sliding(2).map { x =>
       new PartitionwiseSampledRDD[T, T](this, new BernoulliSampler[T](x(0), x(1)),seed)
    }.toArray
}