从 PySpark 中的类别分布中查找值的百分位数
Posted
技术标签:
【中文标题】从 PySpark 中的类别分布中查找值的百分位数【英文标题】:Find percentiles of values from distributions of categories in PySpark 【发布时间】:2019-10-16 00:23:58 【问题描述】:我有以下 PySpark 数据框(比如df
)。它有 name
、timestamp
、category
和 value
列。
+------+-------------------+--------+-----+
| name| timestamp|category|value|
+------+-------------------+--------+-----+
| name1|2019-01-17 00:00:00| A|11.23|
| name2|2019-01-17 00:00:00| A|14.57|
| name3|2019-01-10 00:00:00| B| 2.21|
| name4|2019-01-10 00:00:00| B| 8.76|
| name5|2019-01-17 00:00:00| A|18.71|
| name6|2019-01-10 00:00:00| A|17.78|
| name7|2019-01-10 00:00:00| A| 5.52|
| name8|2019-01-10 00:00:00| A| 9.91|
| name9|2019-01-17 00:00:00| B| 1.16|
|name10|2019-01-17 00:00:00| B| 12.0|
+------+-------------------+--------+-----+
我想在上述数据框中添加一个新列,它为我提供了每个名称的值的百分位排名,这些分布包括相同的category
和timestamp
的成员。
我的预期输出如下:
+------+-------------------+--------+-----+---------+
|name |timestamp |category|value|pct_value|
+------+-------------------+--------+-----+---------+
|name1 |2019-01-17 00:00:00|A |11.23|1 |
|name10|2019-01-17 00:00:00|B |12.0 |2 |
|name2 |2019-01-17 00:00:00|A |14.57|2 |
|name3 |2019-01-10 00:00:00|B |2.21 |1 |
|name4 |2019-01-10 00:00:00|B |8.76 |2 |
+------+-------------------+--------+-----+---------+
only showing top 5 rows
最好的方法是什么?
我尝试了以下方法:
import pyspark.sql.functions as F
from pyspark.sql import Window as W
w_cat = W.partitionBy('category', 'timestamp').orderBy("value")
df_new = ( df.select( '*', F.ntile(1000).over(w_cat).alias( 'pct_value' ) ) ).persist()
df_new.orderBy('name', 'timestamp').show(5,False)
这给出了正确的预期输出。但是,当我对拥有数百万行的实际数据进行尝试时,这种方法需要很长时间(数小时)。
您可以使用下面提到的代码生成上面给出的数据框 (df
):
Stats = Row("name", "timestamp", "category", "value")
stat1 = Stats('name1', "2019-01-17 00:00:00", "A", 11.23)
stat2 = Stats('name2', "2019-01-17 00:00:00", "A", 14.57)
stat3 = Stats('name3', "2019-01-10 00:00:00", "B", 2.21)
stat4 = Stats('name4', "2019-01-10 00:00:00", "B", 8.76)
stat5 = Stats('name5', "2019-01-17 00:00:00", "A", 18.71)
stat6 = Stats('name6', "2019-01-10 00:00:00", "A", 17.78)
stat7 = Stats('name7', "2019-01-10 00:00:00", "A", 5.52)
stat8 = Stats('name8', "2019-01-10 00:00:00", "A", 9.91)
stat9 = Stats('name9', "2019-01-17 00:00:00", "B", 1.16)
stat10 = Stats('name10', "2019-01-17 00:00:00", "B", 12.0)
stat_lst = [stat1 , stat2, stat3, stat4, stat5, stat6, stat7, stat8, stat9, stat10]
df = spark.createDataFrame(stat_lst)
【问题讨论】:
【参考方案1】:你可以试试percentile_approx
函数。
from pyspark.sql import Window
import pyspark.sql.functions as F
grp_window = Window.partitionBy('name')
# For median, i.e. 0.5 quantile
magic_percentile = F.expr('percentile_approx(val, 0.5)')
df.withColumn('pct_value', magic_percentile.over(grp_window))
# OR
df.groupBy('name').agg(magic_percentile.alias('pct_value'))
你也可以使用percent_rank
函数:
df.select('pct_value', percent_rank().over(w).alias("percentile"))\
.where('percentile == 0.6').show()
你也可以传递一个百分位数数组,但这里的问题是你会得到一个list
作为回报:
quantiles = F.expr('percentile_approx(val, array(0.25, 0.5, 0.75))')
【讨论】:
以上是关于从 PySpark 中的类别分布中查找值的百分位数的主要内容,如果未能解决你的问题,请参考以下文章