Pyspark - 使用 groupby 计算中值绝对百分比误差

Posted 2023-03-31

【中文标题】Pyspark - 使用 groupby 计算中值绝对百分比误差

【英文标题】：Pyspark - Calculate Median Absolute Percent Error with groupby

【发布时间】：2020-04-13 01:23:57

【问题描述】：

我可以用这个函数计算中值绝对误差：

from pyspark.sql import Window

def compute_Median_Abs_Err(df, expected_col, actual_col):

    grp_window = Window.partitionBy('grp')

    magic_percentile = F.expr('percentile_approx(abserror, 0.5)')

    med_abs_err = df.withColumn("abserror",
                           f.abs(f.col(actual_col) - f.col(expected_col)
                           )).groupby('start_month', 'start_dt'
                                     ).agg(magic_percentile.alias("med_abs_error")
                                          )

    return(med_abs_err)

可以用这个等式计算：

MEDIAN(abs(predictions - actuals))

我希望能够计算中值绝对百分比误差，用这个等式计算：

MEDIAN( abs(predictions - actuals) / actuals )

我认为我的理解是正确的：

from pyspark.sql import Window

def compute_Median_Perc_Err(df, expected_col, actual_col):

    grp_window = Window.partitionBy('grp')

    magic_percentile = f.expr('percentile_approx(abserror, 0.5)')

    med_perc_err = df.withColumn("abserror",
                           f.abs(f.col(actual_col) - f.col(expected_col)
                           )).groupby('start_month', 'start_dt'
                                     ).agg(magic_percentile.alias("med_abs_error"), f.avg(f.col(actual_col)).alias("mean")
                                          ).withColumn("med_perc_error", f.col("med_abs_error") / f.col("mean"))


    return(med_perc_err)

但我意识到这一点，在使用median 之前，我并没有除以actuals。我应该先除以实际值，然后取该列的中位数。

我如何编写这段代码 sn-p 先除以实际值，因为我仍然需要在 groupby 之后取.agg(f.avg(f.col("actuals")) 以获得准确的平均值？

【参考方案1】：

我想你快到了。本着proposed here函数的精神，中值绝对百分比可以计算如下：

import pyspark.sql.functions as psf
import pyspark.sql.Window as psw

def compute_mape(df, expected_col, actual_col):

  grp_window = psw.Window.partitionBy('grp')
  magic_percentile = psf.expr('percentile_approx(relerror, 0.5)')

  mape = df.withColumn("abserror",
                      psf.col(actual_col) - psf.col(expected_col))
          .withColumn("relerror", 
                      psf.abs(psf.col("abserror")/psf.col(actual_col)))
          .groupBy('start_month','start_dt')
          .agg(magic_percentile.alias("med_perc_error"))

  return(mape)


compute_mape("col1", "col2")

（这里的首字母缩略词 MAPE 与 mean absolute percentage error 不同）

注意：我将 pyspark.sql.functions 别名从 f.* 转换为 psf.* 并添加了 psẁ alias forpyspark.sql.Window`。在其他任何地方，我都坚持使用你的符号。