张贴这个问题之前，我搜索的社区，并提到pyspark文档，但我仍然无法了解其计数。
sc.parallelize((('1',11),('1'),('11'),('11',1))).countByKey().items()
输出：
dict_items([('1', 3), ('11', 1)])
我不能够解释的输出。为什么计数“1”和3“11”为1？
当你调用countByKey()，重点将是在（通常是tuple）通过容器的第一个元素和值将是剩下的。
你可以认为执行的是大致功能上等同于：
from operator import add
def myCountByKey(rdd):
return rdd.map(lambda row: (row[0], 1)).reduceByKey(add)
该函数的每一行映射在你rdd到行（键）和数字1作为价值的第一要素。最后，我们将减少的值一起为每个键，得到计数。
让我们试试这个在您的例子：
rdd = sc.parallelize((('1',11),('1'),('11'),('11',1)))
myCountByKey(rdd).collect()
#[('1', 3), ('11', 1)]
“额外” '1'从第三个元素('11')到来。映射此行(row[0], 1)产量('1', 1)。在这种情况下，row[0]是字符串中的第一个字符。
您可能会想到这表现为，如果第三个元素是元组('11',)。
rdd = sc.parallelize((('1',11),('1',),('11',),('11',1)))
rdd.countByKey().items()
#[('1', 2), ('11', 2)]
外卖的是，你必须包含逗号，如果要指定没有价值的关键。