编写一个python函数在pyspark数据帧中自动执行数据标记

Posted 2023-04-17

【中文标题】编写一个python函数在pyspark数据帧中自动执行数据标记

【英文标题】：write a python function to execute data labelling automatically in pyspark dataframe

【发布时间】：2021-09-12 13:25:44

【问题描述】：

我有一个名为ARRIVAL DELAY 的列，根据它的值，我必须编写一个python 函数来自动执行数据标记。 例如。低于 5 的值被认为是早（0），5 到 20 被认为是准时（1），高于 20 被认为是晚（2）。 但该函数必须提前、准时和晚确定每个类别的范围（例如，使用 bin 大小） 目前我的代码是硬编码的。

from pyspark.sql.functions import when,col,lit

flightsDf = flightsDf.withColumn("multiClassArrDelay", when((flightsDf.ARRIVAL_DELAY < 5), lit(0)).when((flightsDf.ARRIVAL_DELAY >= 5) & (flightsDf.ARRIVAL_DELAY <= 20), lit(1)) \
     .otherwise(lit(2)))

【问题讨论】：

请阅读ML标签的description。

【参考方案1】：

根据您的数据和您的要求，有几个选项可以计算箱之间的边界。

使用最小值和最大值

最简单的选择是获取列的min 和max 值并将此范围分成三部分：

#create some test data first
import numpy as np
data=np.concatenate((np.random.normal(10, 5, 1000),np.random.normal(25, 5, 1000)))
data=data[np.where(data >= 0)]
flightsDf=spark.createDataFrame(map(lambda d: [float(d)], data), schema=['ARRIVAL_DELAY'])

from pyspark.sql import functions as F
min,max=flightsDf.select(F.min('ARRIVAL_DELAY'), F.max('ARRIVAL_DELAY')).first()
boundaries=[(max-min)/3, (max-min)/3*2]

boundaries 现在包含两个值，将最小值和最大值之间的范围分成三个长度相等的范围。现在可以使用这些值代替硬编码值：

flightsDf.withColumn('multiClassArrDelay', 
    F.when(F.col('ARRIVAL_DELAY') < boundaries[0], F.lit(0))
    .otherwise(F.when(F.col('ARRIVAL_DELAY') < boundaries[1], F.lit(1))
    .otherwise(F.lit(2))))

当计算我们得到的每个 bin 中的元素时（对于上面提到的测试数据）

+------------------+-----+
|multiClassArrDelay|count|
+------------------+-----+
|                 0|  808|
|                 1|  937|
|                 2|  223|
+------------------+-----+

使用元素数量相等的 bin

对于某些用例，如果每个 bin 包含（大约）相同数量的项目可能会有所帮助。可以使用percentile_approx 代替min 和max 来计算bin 的边界：

boundaries=flightsDf.select(F.percentile_approx('ARRIVAL_DELAY', [1/3,2/3])).first()[0]

通过这种方法，我们可以在每个 bin 中获得大致相同数量的项目：

+------------------+-----+
|multiClassArrDelay|count|
+------------------+-----+
|                 0|  655|
|                 1|  656|
|                 2|  657|
+------------------+-----+

使用符合您业务需求的垃圾箱

在运行机器学习任务时，最好将数据分组到在数据来源域中有意义的 bin 中。延误 30 分钟的短途航班通常与延误相同的洲际航班不同。