从 PySpark 中的类别分布中查找值的百分位数

Posted 2023-04-17

【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)

【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))')