在数据集中压缩数据元

在某些算法中，可能需要为数据集数据元分配唯一标识符。本文档展示了如何将DataSetUtils用于此目的。

压缩密集索引

zipWithIndex为数据元分配连续标签，接收数据集作为输入并返回(unique id, initial value)2元组的新数据集。此过程需要两次传递，首先计算然后标记数据元，并且由于计数的同步而不能流水线化。该替代方案zipWithUniqueId以流水线方式工作，并且在唯一标签足够时是优选的。例如，以下代码：

• Java
• Scala
• Python

ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(2);
DataSet<String> in = env.fromElements("A", "B", "C", "D", "E", "F", "G", "H");
DataSet<Tuple2<Long, String>> result = DataSetUtils.zipWithIndex(in);
result.writeAsCsv(resultPath, "\n", ",");
env.execute();

import org.apache.flink.api.scala._
val env: ExecutionEnvironment = ExecutionEnvironment.getExecutionEnvironment
env.setParallelism(2)
val input: DataSet[String] = env.fromElements("A", "B", "C", "D", "E", "F", "G", "H")
val result: DataSet[(Long, String)] = input.zipWithIndex
result.writeAsCsv(resultPath, "\n", ",")
env.execute()

from flink.plan.Environment import get_environment
env = get_environment()
env.set_parallelism(2)
input = env.from_elements("A", "B", "C", "D", "E", "F", "G", "H")
result = input.zip_with_index()
result.write_text(result_path)
env.execute()

可以产生元组：（0，G），（1，H），（2，A），（3，B），（4，C），（5，D），（6，E），（7， F）

使用唯一标识符进行压缩

在许多情况下，可能不需要分配连续标签。zipWithUniqueId以流水线方式工作，加快标签分配过程。此方法接收数据集作为输入，并返回(unique id, initial value)2元组的新数据集。例如，以下代码：

• Java
• Scala

ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(2);
DataSet<String> in = env.fromElements("A", "B", "C", "D", "E", "F", "G", "H");
DataSet<Tuple2<Long, String>> result = DataSetUtils.zipWithUniqueId(in);
result.writeAsCsv(resultPath, "\n", ",");
env.execute();

import org.apache.flink.api.scala._
val env: ExecutionEnvironment = ExecutionEnvironment.getExecutionEnvironment
env.setParallelism(2)
val input: DataSet[String] = env.fromElements("A", "B", "C", "D", "E", "F", "G", "H")
val result: DataSet[(Long, String)] = input.zipWithUniqueId
result.writeAsCsv(resultPath, "\n", ",")
env.execute()

可以产生元组：（0，G），（1，A），（2，H），（3，B），（5，C），（7，D），（9，E），（11， F）