1

是否可以（有效地）从猪的袋子中选择一个随机元组？我可以只取一个包的第一个结果（因为它是无序的），但就我而言，我需要一个适当的随机选择。一个（不是有效的）解决方案是计算包中元组的数量，在该范围内取一个随机数，循环遍历包，并在迭代次数与我的随机数匹配时停止。有谁知道更快/更好的方法来做到这一点？

4

2 回答 2

2

您可以在嵌套的 FOREACH 语句中使用 RANDOM()、ORDER 和 LIMIT 来选择具有最小随机数的元素：

inpt = load 'group.txt' as (id:int, c1:bytearray, c2:bytearray);
groups = group inpt by id;
randoms = foreach groups {
    rnds = foreach inpt generate *, RANDOM() as rnd; -- assign random number to each row in the bag
    ordered_rnds = order rnds by rnd;
    one_tuple = limit ordered_rnds 1; -- select tuple with the smallest random number
    generate group as id, one_tuple;
};

转储随机数；

输入：

1   a   r
1   a   t
1   b   r
1   b   4
1   e   4
1   h   4
1   k   t
2   k   k
2   j   j
3   a   r
3   e   l
3   j   l
4   a   r
4   b   t
4   b   g
4   h   b
4   j   d
5   h   k

输出：

(1,{(1,b,r,0.05172709255901231)})
(2,{(2,k,k,0.14351660053632986)})
(3,{(3,e,l,0.0854104195792681)})
(4,{(4,h,b,8.906013598960483E-4)})
(5,{(5,h,k,0.6219490873384448)})

如果你运行“dump randoms;” 多次，您应该为每次运行获得不同的结果。

编写 UDF 可能会给您带来更好的性能，因为您不需要在包中随机进行二次排序。

于 2013-01-31T15:01:08.640 回答
0

我需要自己做这个，并且令人惊讶地发现一个非常简单的答案似乎有效，可以获得大约 10% 的别名 A：

B = 通过 RANDOM() < 0.1 过滤 A

于 2015-08-14T04:53:21.097 回答