PySpark,DataFrame 的顶部
Posted
技术标签:
【中文标题】PySpark,DataFrame 的顶部【英文标题】:PySpark, top for DataFrame 【发布时间】:2017-09-01 21:15:16 【问题描述】:我想要做的是给定一个 DataFrame,根据某个指定的列取前 n 个元素。 (自拍,NUM)在RDD API正是我想要的。我不知道是否有相当的API在数据帧的世界? P>
我的第一次尝试是以下 P>
def retrieve_top_n(df, n):
# assume we want to get most popular n 'key' in DataFrame
return df.groupBy('key').count().orderBy('count', ascending=False).limit(n).select('key')
但是,我已经意识到这会导致不确定的行为(我不知道确切原因,但我猜 limit(n) 并不能保证取哪个 n)
【问题讨论】:
【参考方案1】:首先我们定义一个生成测试数据的函数:
import numpy as np
def sample_df(num_records):
def data():
np.random.seed(42)
while True:
yield int(np.random.normal(100., 80.))
data_iter = iter(data())
df = sc.parallelize((
(i, next(data_iter)) for i in range(int(num_records))
)).toDF(('index', 'key_col'))
return df
sample_df(1e3).show(n=5)
+-----+-------+
|index|key_col|
+-----+-------+
| 0| 139|
| 1| 88|
| 2| 151|
| 3| 221|
| 4| 81|
+-----+-------+
only showing top 5 rows
现在,让我们提出三种不同的计算 TopK 的方法:
from pyspark.sql import Window
from pyspark.sql import functions
def top_df_0(df, key_col, K):
"""
Using window functions. Handles ties OK.
"""
window = Window.orderBy(functions.col(key_col).desc())
return (df
.withColumn("rank", functions.rank().over(window))
.filter(functions.col('rank') <= K)
.drop('rank'))
def top_df_1(df, key_col, K):
"""
Using limit(K). Does NOT handle ties appropriately.
"""
return df.orderBy(functions.col(key_col).desc()).limit(K)
def top_df_2(df, key_col, K):
"""
Using limit(k) and then filtering. Handles ties OK."
"""
num_records = df.count()
value_at_k_rank = (df
.orderBy(functions.col(key_col).desc())
.limit(k)
.select(functions.min(key_col).alias('min'))
.first()['min'])
return df.filter(df[key_col] >= value_at_k_rank)
名为top_df_1
的函数与您最初实现的函数相似。它给你非确定性行为的原因是它不能很好地处理关系。如果您有大量数据并且只对近似答案感兴趣以提高性能,那么这可能是一个不错的选择。
最后,让我们进行基准测试
对于基准测试,使用具有 400 万个条目的 Spark DF 并定义一个便利函数:
NUM_RECORDS = 4e6
test_df = sample_df(NUM_RECORDS).cache()
def show(func, df, key_col, K):
func(df, key_col, K).select(
functions.max(key_col),
functions.min(key_col),
functions.count(key_col)
).show()
让我们看看判决:
%timeit show(top_df_0, test_df, "key_col", K=100)
+------------+------------+--------------+
|max(key_col)|min(key_col)|count(key_col)|
+------------+------------+--------------+
| 502| 420| 108|
+------------+------------+--------------+
1 loops, best of 3: 1.62 s per loop
%timeit show(top_df_1, test_df, "key_col", K=100)
+------------+------------+--------------+
|max(key_col)|min(key_col)|count(key_col)|
+------------+------------+--------------+
| 502| 420| 100|
+------------+------------+--------------+
1 loops, best of 3: 252 ms per loop
%timeit show(top_df_2, test_df, "key_col", K=100)
+------------+------------+--------------+
|max(key_col)|min(key_col)|count(key_col)|
+------------+------------+--------------+
| 502| 420| 108|
+------------+------------+--------------+
1 loops, best of 3: 725 ms per loop
(请注意,top_df_0
和 top_df_2
在前 100 名中有 108 个条目。这是由于存在第 100 名的并列条目。top_df_1
实现忽略了并列条目。)。
底线
如果您想要一个准确的答案,请使用 top_df_2
(它比 top_df_0
好大约 2 倍)。如果您想要另一个 x2 的性能并且可以接受近似答案,请使用 top_df_1
。
【讨论】:
【参考方案2】:选项:
1) 在窗口函数中使用 pyspark sql row_number - 相关 SO:spark dataframe grouping, sorting, and selecting top rows for a set of columns
2) 将有序的 df 转换为 rdd 并在那里使用 top 函数(提示:这似乎并没有真正维护我的快速测试中的排序,但是 YMMV)
【讨论】:
【参考方案3】:您应该尝试使用head()
而不是limit()
#sample data
df = sc.parallelize([
['123', 'b'], ['666', 'a'],
['345', 'd'], ['555', 'a'],
['456', 'b'], ['444', 'a'],
['678', 'd'], ['333', 'a'],
['135', 'd'], ['234', 'd'],
['987', 'c'], ['987', 'e']
]).toDF(('col1', 'key_col'))
#select top 'n' 'key_col' values from dataframe 'df'
def retrieve_top_n(df, key, n):
return sqlContext.createDataFrame(df.groupBy(key).count().orderBy('count', ascending=False).head(n)).select(key)
retrieve_top_n(df, 'key_col', 3).show()
希望这会有所帮助!
【讨论】:
@Jing 如果有帮助请不要忘记告诉我们! 谢谢Prem!。这确实会奏效。但是,我意识到这比我想要的要慢一些,因为我们正在收集驱动程序,然后将列表重新并行化到 DataFrame。现在我更喜欢由建议的窗口函数方法。 @加伦以上是关于PySpark,DataFrame 的顶部的主要内容,如果未能解决你的问题,请参考以下文章
在 PySpark 中,如何根据另一个 DataFrame 中的查找来填充新列?
pyspark dataframe数据连接(join)转化为pandas dataframe基于多个字段删除冗余数据
Pyspark Dataframe TypeError:预期的字符串或缓冲区