如何在 Spark SQL 中为每个组创建 z 分数

Posted 2023-04-17

【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/

【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。