在 spark scala 中为数据帧中的每个组采样不同数量的随机行

Posted 2023-04-17

【中文标题】在 spark scala 中为数据帧中的每个组采样不同数量的随机行

【英文标题】：Sample a different number of random rows for every group in a dataframe in spark scala

【发布时间】：2018-03-01 19:25:12

【问题描述】：

目标是为每个组在数据框中采样（不替换）不同数量的行。为特定组采样的行数在另一个数据框中。

示例：idDF 是要从中采样的数据帧。这些组由 ID 列表示。数据框 planDF 指定要为每个组采样的行数，其中“datesToUse”表示行数，“ID”表示组。 “totalDates”是该组的总行数，可能有用也可能没用。

最终结果应该有从第一组 (ID 1) 中采样的 3 行、从第二组 (ID 2) 中采样的 2 行和从第三组 (ID 3) 中采样的 1 行。

val idDF = Seq(
  (1, "2017-10-03"),
  (1, "2017-10-22"),
  (1, "2017-11-01"),
  (1, "2017-10-02"),
  (1, "2017-10-09"),
  (1, "2017-12-24"),
  (1, "2017-10-20"),
  (2, "2017-11-17"),
  (2, "2017-11-12"),
  (2, "2017-12-02"),      
  (2, "2017-10-03"),
  (3, "2017-12-18"),
  (3, "2017-11-21"),
  (3, "2017-12-13"),
  (3, "2017-10-08"),
  (3, "2017-10-16"),
  (3, "2017-12-04")
 ).toDF("ID", "date")

val planDF = Seq(
  (1, 3, 7),
  (2, 2, 4),
  (3, 1, 6)
 ).toDF("ID", "datesToUse", "totalDates")

这是一个结果数据框应该是什么样子的示例：

+---+----------+
| ID|      date|
+---+----------+
|  1|2017-10-22|
|  1|2017-11-01|
|  1|2017-10-20|
|  2|2017-11-12|
|  2|2017-10-03|
|  3|2017-10-16|
+---+----------+

到目前为止，我尝试使用 DataFrame 的示例方法：https://spark.apache.org/docs/1.5.0/api/java/org/apache/spark/sql/DataFrame.html 这是一个适用于整个数据框的示例。

def sampleDF(DF: DataFrame, datesToUse: Int, totalDates: Int): DataFrame = 
  val fraction = datesToUse/totalDates.toFloat.toDouble
  DF.sample(false, fraction)

我不知道如何为每个组使用这样的东西。我尝试将 planDF 表连接到 idDF 表并使用窗口分区。

我的另一个想法是以某种方式创建一个随机标记为 True / false 的新列，然后对该列进行过滤。

【参考方案1】：

另一个完全保留在 Dataframes 中的选项是使用您的 planDF 计算概率，加入 idDF，附加一列随机数，然后过滤。有用的是，sql.functions 有一个 rand 函数。

import org.apache.spark.sql.functions._

import spark.implicits._

val probabilities = planDF.withColumn("prob", $"datesToUse" / $"totalDates")

val dfWithProbs = idDF.join(probabilities, Seq("ID"))
  .withColumn("rand", rand())
  .where($"rand" < $"prob")

（您需要仔细检查这不是整数除法。）

【参考方案2】：

假设您的planDF 小到足以成为collected，您可以使用Scala 的foldLeft 来遍历id 列表并按id 累积样本数据帧：

import org.apache.spark.sql.Row, DataFrame

def sampleByIdDF(DF: DataFrame, id: Int, datesToUse: Int, totalDates: Int): DataFrame = 
  val fraction = datesToUse.toDouble / totalDates
  DF.where($"id" === id ).sample(false, fraction)


val emptyDF = Seq.empty[(Int, String)].toDF("ID", "date")

val planList = planDF.rdd.collect.map case Row(x: Int, y: Int, z: Int) => (x, y, z) 
// planList: Array[(Int, Int, Int)] = Array((1,3,7), (2,2,4), (3,1,6))

planList.foldLeft( emptyDF )
  case (accDF: DataFrame, (id: Int, num: Int, total: Int)) =>
    accDF union sampleByIdDF(idDF, id, num, total)

// res1: org.apache.spark.sql.DataFrame = [ID: int, date: string]

// res1.show
// +---+----------+
// | ID|      date|
// +---+----------+
// |  1|2017-10-03|
// |  1|2017-11-01|
// |  1|2017-10-02|
// |  1|2017-12-24|
// |  1|2017-10-20|
// |  2|2017-11-17|
// |  2|2017-11-12|
// |  2|2017-12-02|
// |  3|2017-11-21|
// |  3|2017-12-13|
// +---+----------+

请注意，方法sample() 不一定会生成方法参数中指定的确切样本数。这是一个相关的SO Q&A。

如果您的planDF 很大，您可能不得不考虑使用RDD 的aggregate，它具有以下签名（跳过隐式参数）：

def aggregate[U](zeroValue: U)(seqOp: (U, T) ⇒ U, combOp: (U, U) ⇒ U): U

它的工作方式有点像foldLeft，只是它在一个分区内有一个累加运算符，还有一个用于合并来自不同分区的结果。