为了解决这个问题，我们需要确保在使用map时使用相同的转换方式。以下是一个例子，展示了不同使用map产生不同结果的情况，以及如何解决这个问题：

# 创建SparkContext和RDD
from pyspark import SparkContext

sc = SparkContext("local", "Map Example")
rdd = sc.parallelize([1,2,3,4,5])

# 示例1：使用lambda函数
lambda_rdd = rdd.map(lambda x: (x, x*2))
print(lambda_rdd.collect())   # 输出[(1, 2), (2, 4), (3, 6), (4, 8), (5, 10)]

# 示例2：使用函数
def func(x):
    return (x, x*2)

func_rdd = rdd.map(func)
print(func_rdd.collect())    # 输出[(1, 2), (2, 4), (3, 6), (4, 8), (5, 10)]

# 示例3：使用lambda函数，但是只使用RDD中的偶数值
lambda_rdd_even = rdd.filter(lambda x: x%2 == 0).map(lambda x: (x, x*2))
print(lambda_rdd_even.collect())    # 输出[(2, 4), (4, 8)]

上述示例中，我们使用了两种不同的方式来使用map函数，即使用lambda函数和使用定义的函数。第一个和第二个示例使用了相同的转换方式，因此它们的结果相同。第三个示例中虽然使用了相同的lambda函数，但是它的输入与前两个示例中的输入不同，它只从RDD中获取偶数值并将它们转换为元组。因此，它的输出结果是有所不同的。如果我们想要使用相同的转换方式并获得相同的结果，我们应该确保使用相同的输入。