Pyspark Dataframe Imputations - 根据指定条件用列平均值替换未知和缺失值

Posted 2023-03-12

【中文标题】Pyspark Dataframe Imputations - 根据指定条件用列平均值替换未知和缺失值

【英文标题】：Pyspark Dataframe Imputations -- Replace Unknown & Missing Values with Column Mean based on specified condition

【发布时间】：2016-09-22 08:06:52

【问题描述】：

给定一个 Spark 数据框，我想根据该列的非缺失值和非未知值计算列平均值。然后我想取这个平均值并用它来替换列的缺失和未知值。

例如，假设我正在使用：

名为 df 的数据框，其中每条记录代表一个人，所有列都是整数或数字 名为年龄的列（每条记录的年龄） 名为 missing_age 的列（如果此人没有年龄，则为 1，否则为 0） 名为 unknown_age 的列（如果此人年龄未知，则为 1，否则为 0）

然后我可以计算这个平均值，如下所示。

calc_mean = df.where((col("unknown_age") == 0) & (col("missing_age") == 0))
.agg(avg(col("age")))

或通过 SQL 和 windows 函数，

mean_compute = hiveContext.sql("select avg(age) over() as mean from df 
where missing_age = 0 and unknown_age = 0")

如果我能提供帮助，我不想使用 SQL/windows 函数。我的挑战是采用这种平均值并使用非 SQL 方法用它替换未知/缺失值。

我尝试过使用 when()、where()、replace()、withColumn、UDF 和组合...无论我做什么，我要么得到错误，要么结果不是我所期望的。这是我尝试过但不起作用的许多事情之一的示例。

imputed = df.when((col("unknown_age") == 1) | (col("missing_age") == 1),
calc_mean).otherwise("age")

我在网上搜索过，但没有找到类似的插补类型问题，因此非常感谢任何帮助。这可能是我错过的非常简单的事情。

附注——我正在尝试将此代码应用于 Spark Dataframe 中列名中没有 unknown_ 或 missing_ 的所有列。我可以将 Spark 相关代码包装在 Python 的“for 循环”中并遍历所有适用的列来执行此操作吗？

更新：

还想出了如何遍历列...这是一个示例。

for x in df.columns:
    if 'unknown_' not in x and 'missing_' not in x:
        avg_compute = df.where(df['missing_' + x] != 1).agg(avg(x)).first()[0]
        df = df.withColumn(x + 'mean_miss_imp', when((df['missing_' + x] == 1), 
        avg_compute).otherwise(df[x]))

【参考方案1】：

如果未知或失踪的年龄是某个值：

from pyspark.sql.functions import col, avg, when

df = sc.parallelize([
    (10, 0, 0), (20, 0, 0), (-1, 1, 0), (-1, 0, 1)
]).toDF(["age", "missing_age", "unknown_age"])

avg_age = df.where(
    (col("unknown_age") != 1) & (col("missing_age") != 1)
).agg(avg("age")).first()[0]

df.withColumn("age_imp", when(
    (col("unknown_age") == 1) | (col("missing_age") == 1), avg_age
).otherwise(col("age")))

如果未知或缺失的年龄为 NULL，您可以将其简化为：

df = sc.parallelize([
    (10, 0, 0), (20, 0, 0), (None, 1, 0), (None, 0, 1)
]).toDF(["age", "missing_age", "unknown_age"])

df.na.fill(df.na.drop().agg(avg("age")).first()[0], ["age"])

【讨论】：

非常感谢！你的帮助成就了我的一周！我还想出了如何应用到所有列并更新了帖子。