我想不出一个优雅的方法来做这件事。基于某些条件，不可能将b组分为两组。
但是，您可以对所有关系进行分组，并将其传递给一个自定义项，该自定义项将每个记录与每个其他记录进行比较。可扩展性不强，需要一个自定义项，但它可以完成这项工作。

我会尽量不解析字符串。如果可能的话，将数据读取为两列：id列和features列。
然后我将交叉连接一个features表。它基本上是一张这样的table：

f1
f2
f3

等
在excel中手动创建并加载到hdfs中。
然后我将按features列进行分组，并为每个feature打印所有id
基本上是这样的：

features = load ' features.txt' using PigStorage(',') as (feature_number:chararray);

cross_data = cross features, data;

filtered_data = filter cross_data by (data_string_column matches feature_number);

grouped = group filtered_data by feature_number;

然后可以打印每个功能的所有ID。
唯一的问题是使用pig存储以外的方法读取数据。但这会将交叉连接从3.6m3.6m减少到3.6m（特性数量）。