如何使用pyspark统计词频？

假如进化的历史重来一遍，

人的出现概率是零。 

—— 古德尔

Spark 作为一个用途广泛的大数据运算平台。

Spark 允许用户将数据加载到多台计算机所建立的 cluster 集群的内存中存储，执行分布式计算，再加上 Spark 特有的内存运算，让执行速度大幅提升，非常适合用于机器学习的算法。况且，spark包含大量开箱即用的机器学习库。

算法包括分类与回归、支持向量机、回归、线性回归、决策树、朴素贝叶斯、聚类分析、协同过滤等。

使用spark必须先了解Spark的核心——RDD

分布式数据集Resiliennt Distributed Datasets(简称RDD)之上的，这使得 Spark 的各个组件可以无缝地进行集成，能够在同一个应用程序中完成大数据处理。

使用spark统计词频

今天分享一个最基础的应用，就是统计语料里的词频，找到高频词。

from pyspark import SparkContextsc = SparkContext('local', "WordCount")

先初始化spark，然后加载数据

data=["mixlab", "mixlab 无界 社区","mixlab 让 每个人 无限 可能 跨界 设计师 全栈 程序员 算法 工程师","shadow","hello shadow"]
lines = sc.parallelize(data)

注意以上代码，data是一个list，通过sc.parallelize可以把Python list，NumPy array或者Pandas Series,Pandas DataFrame转成Spark的RDD数据。

然后，开始处理

result = lines.flatMap(lambda x: x.split(" ")).countByValue()
for key, value in result.items(): print("%s %i" % (key, value))    

处理结果

mixlab 3无界 1社区 1让 1每个人 1无限 1可能 1跨界 1设计师 1全栈 1程序员 1算法 1工程师 1shadow 2hello 1

通过简单的代码，了解flatMap的作用

x = sc.parallelize([1,2,3])y = x.flatMap(lambda x: (x+1,300*x,x/2))print(x.collect())print(y.collect())
#[1, 2, 3]#[2, 300, 0.5, 3, 600, 1.0, 4, 900, 1.5]

可以看到输出结果，flatMap是先映射后扁平化。

在通过代码，了解countByValue的作用。

x = sc.parallelize(["AB","B","B"])y = x.countByValue()print(x.collect())print(y)
#['AB', 'B', 'B']#{'AB': 1, 'B': 2}

统计一个RDD中各个value的出现次数。返回一个map，map的key是元素的值，value是出现的次数。

统计词频的技能你get了吗？可以加入mixlab无界社区交流~