我有以下数据集:
提供节目和该节目观众数量的数据集#1:
TVShow1,25
TVShow2,30
TVShow3,7
TVShow1,15
数据集#2,提供广播每个节目的频道:
TVShow4,BBC
TVShow2,COM
TVShow1,TNT
TVShow3,TNT
我想计算一下tnt频道每个节目的观众总数,例如。
TVShow1 40
TVShow3 7
我有以下Map器:
# !/usr/bin/env python
import sys
for line in sys.stdin:
line = line.strip()
key_value = line.split(",")
key_in = key_value[0]
value_in = key_value[1]
if (value_in == 'TNT' or value_in.isdigit()):
print( '%s\t%s' % (key_in, value_in) )
以及以下减速器:
# !/usr/bin/env python
import sys
prev_TV_show = " "
line_cnt = 0
tnt_found = False
curr_TV_show_total_cnt = 0
for line in sys.stdin:
line = line.strip()
key_value = line.split('\t')
line_cnt = line_cnt+1
curr_TV_show = key_value[0]
value_in = key_value[1]
if curr_TV_show != prev_TV_show:
prev_TV_show = curr_TV_show
if (line_cnt>1 and tnt_found == True):
print('{0} {1}'.format(curr_TV_show,curr_TV_show_total_cnt))
tnt_found = False
curr_TV_show_total_cnt = 0
if (value_in == 'TNT'):
tnt_found = True
else:
curr_TV_show_total_cnt += int(value_in)
然后我测试代码如下:
cat data_file*.txt | ./my_mapper.py | sort | ./my_reducer.py
但是,第一行的观众总数是不正确的。它看起来像是被两个电视节目合并了。与管理第一行相关的代码中是否有任何错误?
1条答案
按热度按时间qzlgjiam1#
我认为你的代码有两个问题-
更新上一个电视节目会导致打印错误的值。你实际上是想打印上一个电视节目的“count”,而不是当前的电视节目
打印上一个迭代值-您需要在循环外添加一个额外的打印(+条件)