ฉันกำลังพยายามใช้ตัวอย่างการนับจำนวนคำ Spark และจำนวนคำรวมด้วยค่าอื่น ๆ (เช่น คำและการนับตามบุคคลที่บุคคลคือ "VI" หรือ "MO" ในกรณีด้านล่าง)
ฉันมี rdd ซึ่งเป็นรายการสิ่งอันดับที่มีค่าเป็นรายการสิ่งอันดับ:
from operator import add
reduced_tokens = tokenized.reduceByKey(add)
reduced_tokens.take(2)
ซึ่งให้ฉัน:
[(u'VI', [(u'word1', 1), (u'word2', 1), (u'word3', 1)]),
(u'MO',
[(u'word4', 1),
(u'word4', 1),
(u'word5', 1),
(u'word8', 1),
(u'word10', 1),
(u'word1', 1),
(u'word4', 1),
(u'word6', 1),
(u'word9', 1),
...
)]
ฉันต้องการบางอย่างเช่น:
[
('VI',
[(u'word1', 1), (u'word2', 1), (u'word3', 1)],
('MO',
[(u'word4', 58), (u'word8', 2), (u'word9', 23) ...)
]
คล้ายกับตัวอย่างการนับจำนวนคำที่นี่ ฉันต้องการที่จะกรองคำที่มีจำนวนต่ำกว่าเกณฑ์สำหรับบางคนออก ขอบคุณ!