Я загружаю некоторые данные в sparkR (версия Spark 1.4.0, работающая на Fedora21), над которыми я запускаю некоторый алгоритм, который выдает три разных числа. Мой алгоритм принимает кучу параметров, и я хочу использовать разные настройки параметров для одних и тех же данных. Формат вывода должен быть кадром данных (или списком csv), столбцы которого являются параметрами алгоритма и тремя числами, которые вычисляет мой алгоритм, т.е.
mypar1, mypar2, mypar3, myres1, myres2, myres3
1 1.5 1.2 5.6 8.212 5.9
2 1.8 1.7 5.1 7.78 8.34
будет выводом для двух разных настроек параметров. Ниже я написал скрипт, который распараллеливает работу с различными настройками параметров: он принимает в качестве аргумента входной файл со значениями параметров, который для приведенного выше примера будет выглядеть так:
1,1.5,1.2
2,1.8,1.7
поэтому одна комбинация параметров в строке.
Вот моя проблема: вместо того, чтобы получать по одному для каждого параметра, все числа объединяются в один длинный список. Функция cv_spark возвращает data.frame (в основном одну строку). Как я могу сказать spark объединить вывод cv_spark в фрейм данных (т.е. сделать что-то вроде rbind?) или список списка?
#!/home/myname/Spark/spark-1.4.0/bin/sparkR
library(SparkR)
sparkcontext <- sparkR.init("local[3]","cvspark",sparkEnvir=list(spark.executor.memory="1g"))
cv_spark <- function(indata) {
cv_params <- strsplit(indata, split=",")[[1]]
param.par1 = as.integer(cv_params[1])
param.par2 = as.numeric(cv_params[2])
param.par3 = as.numeric(cv_params[3])
predictions <- rep(NA, 1)
## here I run some calculation on some data that I load to my SparkR session,
## but for illustration purpose I'm just filling up with some random numbers
mypred = base:::sample(seq(5,10,by=0.01),3)
predictions <- cbind(param.par1, param.par2, param.par3,mypred[1],mypred[2],mypred[3])
return(as.data.frame(predictions))
}
args <- commandArgs(trailingOnly=TRUE)
print(paste("args ", args))
cvpar = readLines(args[[1]])
rdd <- SparkR:::parallelize(sparkcontext, coll=cvpar, numSlices=4)
myerr <- SparkR:::flatMap(rdd,cv_spark)
output <- SparkR:::collect(myerr)
print("final output")
print(output)
outfile = "spark_output.csv"
write.csv(output,outfile,quote=FALSE,row.names=FALSE)