如何在 Spark SQL 中为每个组创建 z 分数
Posted
技术标签:
【中文标题】如何在 Spark SQL 中为每个组创建 z 分数【英文标题】:How to create a z-score in Spark SQL for each group 【发布时间】:2016-04-23 07:23:49 【问题描述】:我有一个看起来像这样的数据框
dSc TranAmount
1: 100021 79.64
2: 100021 79.64
3: 100021 0.16
4: 100022 11.65
5: 100022 0.36
6: 100022 0.47
7: 100025 0.17
8: 100037 0.27
9: 100056 0.27
10: 100063 0.13
11: 100079 0.13
12: 100091 0.15
13: 100101 0.22
14: 100108 0.14
15: 100109 0.04
现在我想创建第三列,其中包含每个 TranAmount
的 z 分数,这将是
(TranAmount-mean(TranAmount))/StdDev(TranAmount)
这里的平均值和标准差将基于每个 dSc 的组
现在我可以在 Spark SQL 中计算平均值和标准差。
(datafromdb
.groupBy("dSc")
.agg(datafromdb.dSc, func.avg("TranAmount") ,func.stddev_pop("TranAmount")))
但我不知道如何在数据框中使用 z 分数实现第三列。 我将不胜感激任何指向实现此目标的正确方法的指针/
【问题讨论】:
【参考方案1】:例如,您可以使用原始数据计算统计数据和join
:
stats = (df.groupBy("dsc")
.agg(
func.stddev_pop("TranAmount").alias("sd"),
func.avg("TranAmount").alias("avg")))
df.join(broadcast(stats), ["dsc"])
(df
.join(func.broadcast(stats), ["dsc"])
.select("dsc", "TranAmount", (df.TranAmount - stats.avg) / stats.sd))
或者使用窗口函数with standard deviation formula:
from pyspark.sql.window import Window
import sys
def z_score_w(col, w):
avg_ = func.avg(col).over(w)
avg_sq = func.avg(col * col).over(w)
sd_ = func.sqrt(avg_sq - avg_ * avg_)
return (col - avg_) / sd_
w = Window().partitionBy("dsc").rowsBetween(-sys.maxsize, sys.maxsize)
df.withColumn("zscore", z_score_w(df.TranAmount, w))
【讨论】:
我不太明白rowsBetween(-sys.maxsize, sys.maxsize)
部分
相当于ROWS BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING
子句。以上是关于如何在 Spark SQL 中为每个组创建 z 分数的主要内容,如果未能解决你的问题,请参考以下文章
在 spark scala 中为数据帧中的每个组采样不同数量的随机行
如何在 MySQL 中为每个类别创建一个 SQL 窗口函数列?