Spark教程（1）Spark-fold

问题导读
1、如何理解Spark的fold操作？
2、如何该action的功能？
3、什么是Spark aggregate？



Spark的fold操作用于对RDD中的元素进行迭代操作，并且利用了一个变量保存迭代过程中的中间结果。其函数原型为：

fold(self, zeroValue, op)
复制代码

我们先用一段代码来体验下该action的功能。

def test_fold(sc):
    def add(c, v):
        print 'c = ' + str(c) + '; v = ' + str(v)
        return c+v
 
    data = sc.parallelize(np.arange(10), 2)
    datasum = data.fold(0, add)
    print datasum
 
if __name__ == '__main__':
    sc = SparkContext(appName='Test')
    test_fold(sc)
 
# 第一个partition的输出
c = 0; v = 0
c = 1; v = 0
c = 2; v = 1
c = 3; v = 3
c = 4; v = 6
 
# 第二个partition的输出
c = 5; v = 0
c = 6; v = 5
c = 7; v = 11
c = 8; v = 18
c = 9; v = 26
 
# combine过程的输出
c = 0; v = 10
c = 10; v = 35
 
# 最终结果输出
45
复制代码

代码的功能就是对0-9这10个数字做累加操作，最终结果得到45，正确。我们看到zeroValue用于初始化每个partition的v，v是一个变量，用于在每个element的计算过程中保持不变。并且fold动作的最后需要对每个partitions的输出再做一次add，并且此时c初始化为zeroValue，v的值是每个partition的输出。如果将zeroValue改成1，则能清楚看到这个变化，其最后结果为48。

fold动作需要保证每个partition能够独立进行运算。它同aggregate的区别在于后者对于不同partitions提交的最终结果定义了一个专门的comOp函数来进行处理，而前者则都是采用同一个函数进行处理




Spark aggregate

Spark的官方文档其实说得并不是明了，很多内容如果不去研究源码，或者不去实验查看过程，你压根就不知道它的真正功能是啥，比如今天要说的aggregate。

aggregate的官方描述是：
Aggregate the elements of each partition, and then the results for all the partitions, using a given combine functions and a neutral "zero value." The functions op(t1, t2) is allowed to modify t1 and return it as its result value to avoid object allocation; however, it should not modify t2. The first function (seqOp) can return a different result type, U, than the type of this RDD. Thus, we need one operation for merging a T into an U and one operation for merging two U.

函数原型：aggregate(self, zeroValue, seqOp, combOp)

现在先用一段代码测试它的输出：

def test_aggregate(sc):
    def seq(c, v):
        print 'In seq c ' + str(c)
        print 'In seq v ' + str(v)
        return c[0]+v[1], c[1]+0.1
 
    def comb(c1, c2):
        print 'In comb c1 ' + str(c1)
        print 'In comb c2 ' + str(c2)
        return c1[0]-c2[0], c1[1]+c2[1]
 
    data = sc.parallelize([(1.0, np.arange(10)), (2.0, np.arange(10)), (2.0, np.arange(10)), (1.0, np.arange(10))],2)
    gradientSum, lossSum = data.aggregate((np.ones(10),0), seq, comb)
    print gradientSum, lossSum
 
if __name__ == '__main__':
    sc = SparkContext(appName='Test')
    test_aggregate(sc)
 
# 第一个partition的输出
In seq c (array([ 1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.]), 0)
In seq v (1.0, array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]))
In seq c (array([  1.,   2.,   3.,   4.,   5.,   6.,   7.,   8.,   9.,  10.]), 0.1)
In seq v (2.0, array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]))
In comb c1 (array([  1.,   3.,   5.,   7.,   9.,  11.,  13.,  15.,  17.,  19.]), 0.2)
In comb c2 (array([ 1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.]), 0)
 
# 第二个partition的输出
In seq c (array([ 1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.]), 0)
In seq v (2.0, array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]))
In seq c (array([  1.,   2.,   3.,   4.,   5.,   6.,   7.,   8.,   9.,  10.]), 0.1)
In seq v (1.0, array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]))
In comb c1 (array([  1.,   3.,   5.,   7.,   9.,  11.,  13.,  15.,  17.,  19.]), 0.2)
In comb c2 (array([ 1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.]), 0)
 
# combine的输出
In comb c1 (array([ 1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.]), 0)
In comb c2 (array([  0.,   2.,   4.,   6.,   8.,  10.,  12.,  14.,  16.,  18.]), 0.2)
In comb c1 (array([  1.,  -1.,  -3.,  -5.,  -7.,  -9., -11., -13., -15., -17.]), 0.2)
In comb c2 (array([  0.,   2.,   4.,   6.,   8.,  10.,  12.,  14.,  16.,  18.]), 0.2)
 
# 最后结果输出
[  1.  -3.  -7. -11. -15. -19. -23. -27. -31. -35.] 0.4
复制代码

从上面可以看出，aggregate的作用大概是对每个partition应用seqOp操作和combOp操作，然后对这个由各个partitions的结果构成的结果空间再做一次combOp。zeroValue是初值，seqOp输入U和T，U的初值就是zeroValue，T是RDD的element，seqOp对每个element操作的结果作为下一个element的U。combOp的输入是U1,U2，其中U1的初值是zeroValue，U2是各个partitions的输出。

让我不解的是，为什么在每个partition计算完seqOp之后，都要做一次combOp(U1, U2)操作，且U1是seqOp最终的计算结果，U2则是zeroValue？