PySpark求解连通图问题

前文回顾：

PySpark与GraphFrames的安装与使用
https://xxmdmst.blog.csdn.net/article/details/123009617

networkx快速解决连通图问题
https://xxmdmst.blog.csdn.net/article/details/123012333

前面我讲解了PySpark图计算库的使用以及纯python解决连通图问题的两个示例。这篇文章我们继续对上次的连通图问题改用PySpark实现。

需求1：找社区

刘备和关羽有关系，说明他们是一个社区，刘备和张飞也有关系，那么刘备、关羽、张飞归为一个社区，以此类推。

对于这个连通图问题使用Pyspark如何解决呢？

首先，我们创建spark对象：

from pyspark.sql import SparkSession, Row
from graphframes import GraphFrame

spark = SparkSession \
    .builder \
    .appName("PySpark") \
    .master("local[*]") \
    .getOrCreate()
sc = spark.sparkContext
# 设置检查点目录
sc.setCheckpointDir("checkpoint")

然后构建数据：

data =[['刘备','关羽'],['刘备','张飞'],['张飞','诸葛亮'],['曹操','司马懿'],['司马懿','张辽'],['曹操','曹丕']]
data = spark.createDataFrame(data,["人员","相关人员"])
data.show()

+------+--------+
|  人员|相关人员|
+------+--------+
|  刘备|    关羽|
|  刘备|    张飞|
|  张飞|  诸葛亮|
|  曹操|  司马懿|
|司马懿|    张辽|
|  曹操|    曹丕|
+------+--------+

很明显原始数据就是图计算所要求的边数据，只修改一下列名即可：

edges = data.toDF("src","dst")
edges.printSchema()

root
 |-- src: string (nullable = true)
 |-- dst: string (nullable = true)

下面我们开始构建顶点数据：

vertices =(
    edges.rdd.flatMap(lambda x: x).distinct().map(lambda x: Row(x)).toDF(["id"]))
vertices.show()

+------+
|    id|
+------+
|诸葛亮|
|  刘备|
|  曹操|
|司马懿|
|  曹丕|
|  关羽|
|  张飞|
|  张辽|
+------+

下面使用spark的图计算 计算连通图：

g = GraphFrame(vertices, edges)
result = g.connectedComponents().orderBy("component")
result.show()

+------+------------+
|    id|   component|
+------+------------+
|司马懿|           0|
|  张辽|           0|
|  曹丕|           0|
|  曹操|           0|
|  关羽|635655159808|
|  刘备|635655159808|
|  张飞|635655159808|
|诸葛亮|635655159808|
+------+------------+

可以看到结果中已经顺利将一个社区的成员通过一个相同的component标识出来，成功解决需求。

需求2：统一用户识别

abcde这5个字段表示mac地址，ip地址，device_id，imei等唯一标识，tags表示用户的标签。由于某些原因，同一用户的唯一标识字段总是有几个字段存在缺失，现在要求将同一个用户的数据都能识别出来，同时将每个用户的标签进行合并。原始数据和结果模型示例如下：

首先，我们构建数据：

df = spark.createDataFrame([['a1',None,'c1',None,None,'tag1'],[None,None,'c1','d1',None,'tag2'],[None,'b1',None,'d1',None,'tag3'],[None,'b1','c1','d1','e1','tag4'],['a2','b2',None,None,None,'tag1'],[None,'b4','c4',None,'e4','tag1'],['a2',None,None,'d2',None,'tag2'],[None,None,'c2','d2',None,'tag3'],[None,'b3',None,None,'e3','tag1'],[None,None,'c3',None,'e3','tag2'],],list("abcde")+["tags"])
df.show()

结果：

+----+----+----+----+----+----+
|   a|   b|   c|   d|   e|tags|
+----+----+----+----+----+----+
|  a1|null|  c1|null|null|tag1|
|null|null|  c1|  d1|null|tag2|
|null|  b1|null|  d1|null|tag3|
|null|  b1|  c1|  d1|  e1|tag4|
|  a2|  b2|null|null|null|tag1|
|null|  b4|  c4|null|  e4|tag1|
|  a2|null|null|  d2|null|tag2|
|null|null|  c2|  d2|null|tag3|
|null|  b3|null|null|  e3|tag1|
|null|null|  c3|null|  e3|tag2|
+----+----+----+----+----+----+

接下来的思路依然跟上次一样，首先为每一行数据分配一个唯一id，然后对每个唯一标识的列，根据是否一样构建行与行之间的连接关系，所有的唯一标识列产生的连接关系共同作为图计算的边。

下面使用RDD的zipWithUniqueId方法为每一行产生一个唯一ID，并将这个ID移动到最前（由于这个数据后面可能会多次被频繁使用所以缓存起来）：

tmp = df.rdd.zipWithUniqueId().map(lambda x:(x[1], x[0]))
tmp.cache()
tmp.first()

(0, Row(a='a1', b=None, c='c1', d=None, e=None, tags='tag1'))

根据唯一id构建顶点数据：

vertices = tmp.map(lambda x: Row(x[0])).toDF(["id"])
vertices.show()

+---+
| id|
+---+
|  0|
|  1|
|  7|
|  2|
|  8|
|  3|
|  4|
| 10|
|  5|
| 11|
+---+

接下来，构建边数据：

deffunc(p):for k, ids in p:
        ids =list(ids)
        n =len(ids)if n <=1:continuefor i inrange(n-1):for j inrange(i+1, n):yield(ids[i], ids[j])

edges =[]
keylist =list("abcde")for key in keylist:
    data = tmp.mapPartitions(lambda area:[(row[key], i)for i, row in area if row[key]])
    edgeRDD = data.groupByKey().mapPartitions(func)
    edges.append(edgeRDD)
edgesDF = sc.union(edges).toDF(["src","dst"])
edgesDF.cache()
edgesDF.show()

+---+---+
|src|dst|
+---+---+
|  8|  4|
|  7|  2|
|  0|  1|
|  0|  2|
|  1|  2|
|  4| 10|
|  1|  7|
|  1|  2|
|  7|  2|
|  5| 11|
+---+---+

可以看到所有的行号关系已经被成功获取。

下面使用图计算 计算出属于同一用户的行：

gdf = GraphFrame(vertices, edgesDF)
components = gdf.connectedComponents()
components.show()

+---+---------+
| id|component|
+---+---------+
|  0|        0|
|  1|        0|
|  7|        0|
|  2|        0|
|  8|        4|
|  3|        3|
|  4|        4|
| 10|        4|
|  5|        5|
| 11|        5|
+---+---------+

有了行号和所归属的组唯一标识，我们可以通过表连接获取原始数据的每一行所归属的component：

result = tmp.cogroup(components.rdd) \
    .map(lambda pair: pair[1][0].data[0]+ Row(pair[1][1].data[0])) \
    .toDF(df.schema.names+["component"])
result.cache()
result.show()

+----+----+----+----+----+----+---------+
|   a|   b|   c|   d|   e|tags|component|
+----+----+----+----+----+----+---------+
|  a1|null|  c1|null|null|tag1|        0|
|null|null|  c1|  d1|null|tag2|        0|
|null|  b1|  c1|  d1|  e1|tag4|        0|
|null|  b4|  c4|null|  e4|tag1|        3|
|  a2|null|null|  d2|null|tag2|        4|
|null|  b3|null|null|  e3|tag1|        5|
|null|  b1|null|  d1|null|tag3|        0|
|  a2|  b2|null|null|null|tag1|        4|
|null|null|  c2|  d2|null|tag3|        4|
|null|null|  c3|null|  e3|tag2|        5|
+----+----+----+----+----+----+---------+

可以看到我们已经成功的进行同一用户识别了，剩下的只需要分组并使用pandas的逻辑合并数据：

deffunc(pdf):
    row = pdf[keylist].bfill().head(1)
    row["tags"]= pdf.tags.str.cat(sep=",")return row

result.groupBy("component").applyInPandas(
    func, schema="a string, b string, c string, d string, e string, tags string").show()

+----+---+---+----+----+-------------------+
|   a|  b|  c|   d|   e|               tags|
+----+---+---+----+----+-------------------+
|  a1| b1| c1|  d1|  e1|tag1,tag2,tag4,tag3|
|null| b4| c4|null|  e4|               tag1|
|  a2| b2| c2|  d2|null|     tag2,tag1,tag3|
|null| b3| c3|null|  e3|          tag1,tag2|
+----+---+---+----+----+-------------------+

可以看到已经顺利得到需要的结果。

注意：applyInPandas要求返回的结果必须是pandas的datafream对象，所以相对之前的逻辑由.iloc[0]改成了.head(1)

如果你的spark不是3.X版本，没有applyInPandas方法，用原生rdd的方法则会麻烦很多：

deffunc(pair):
    component, rows = pair
    keyList =list("abcde")
    ids ={}for row in rows:for key in keylist:
            v =getattr(row, key)if v:
                ids[key]= v
        ids.setdefault("tags",[]).append(row.tags)
    result =[]for key in keylist:
        result.append(ids.get(key))
    result.append(",".join(ids["tags"]))return result

result2 = result.rdd.groupBy(lambda row: row.component).map(func).toDF(df.schema)
result2.cache()
result2.show()

结果也一样：

+----+---+---+----+----+-------------------+
|   a|  b|  c|   d|   e|               tags|
+----+---+---+----+----+-------------------+
|  a1| b1| c1|  d1|  e1|tag1,tag2,tag4,tag3|
|null| b4| c4|null|  e4|               tag1|
|  a2| b2| c2|  d2|null|     tag2,tag1,tag3|
|null| b3| c3|null|  e3|          tag1,tag2|
+----+---+---+----+----+-------------------+