如何在 python 中使用 Spark Data frame 和 GroupBy 派生 Percentile

Posted

技术标签:

【中文标题】如何在 python 中使用 Spark Data frame 和 GroupBy 派生 Percentile【英文标题】:How to derive Percentile using Spark Data frame and GroupBy in python 【发布时间】:2016-05-03 09:12:14 【问题描述】:

我有一个包含 DateGroupPrice 列的 Spark 数据框。

我正在尝试为其中的 Price 列导出 percentile(0.6) Python中的数据框。此外,我需要将输出添加为新列。

我试过下面的代码:

perudf = udf(lambda x: x.quantile(.6))
df1 = df.withColumn("Percentile", df.groupBy("group").agg("group"),perudf('price'))

但它抛出以下错误:

assert all(isinstance(c, Column) for c in exprs), "all exprs should be Column"
AssertionError: all exprs should be Column

【问题讨论】:

【参考方案1】:

您可以使用 sql 使用“percentile_approx”。在 pyspark 中创建 UDF 很困难。

其他详情请参考此链接:https://mail-archives.apache.org/mod_mbox/spark-user/201510.mbox/%3CCALte62wQV68D6J87EVq6AD5-T3D0F3fHjuzs+1C5aCHOUUQS8w@mail.gmail.com%3E

【讨论】:

对于那些感兴趣/懒惰的人来说,from pyspark import SparkContext, HiveContext; sc = SparkContext(); hiveContext = HiveContext(sc); hiveContext.registerDataFrameAsTable(df, "df"); hiveContext.sql("SELECT percentile(price, 0.75) FROM df"); 可以得到第 75 个百分位的价格。【参考方案2】:

您可以使用窗口函数,只需定义一个聚合窗口(您的案例中的所有数据),然后按百分位值过滤:

from pyspark.sql.window import Window
from pyspark.sql.functions import percent_rank

w =  Window.orderBy(df.price)
df.select('price', percent_rank().over(w).alias("percentile"))\
    .where('percentile == 0.6').show()

percent_rank 在pyspark.sql.functions 中可用

如果您愿意,可以使用databricks post 中的 SQL 接口

【讨论】:

我发现databricks 帖子很有用,谢谢!这是一个有效的链接:databricks.com/blog/2015/07/15/…【参考方案3】:

我知道使用 RDD 获取每一行的百分位数的解决方案。首先,将您的 RDD 转换为 DataFrame:

# convert to rdd of dicts
rdd = df.rdd
rdd = rdd.map(lambda x: x.asDict())

然后,您可以计算每一行的百分位数:

column_to_decile = 'price'
total_num_rows = rdd.count()


def add_to_dict(_dict, key, value):
    _dict[key] = value
    return _dict


def get_percentile(x, total_num_rows):
    _dict, row_number = x
    percentile = x[1] / float(total_num_rows)
    return add_to_dict(_dict, "percentile", percentile)


rdd_percentile = rdd.map(lambda d: (d[column_to_decile], d)) # make column_to_decile a key
rdd_percentile = rdd_percentile.sortByKey(ascending=False) # so 1st decile has largest
rdd_percentile = rdd_percentile.map(lambda x: x[1]) # remove key
rdd_percentile = rdd_percentile.zipWithIndex() # append row number
rdd_percentile = rdd_percentile.map(lambda x: get_percentile(x, total_num_rows))

最后,转换回 DataFrame:

df = sqlContext.createDataFrame(rdd_percentile)

要获得与 0.6 最接近的百分位数的行,您可以执行以下操作:

from pyspark.sql.types import *
from pyspark.sql.functions import udf


def get_row_with_percentile(df, percentile):
    func = udf(lambda x: abs(x), DoubleType())
    df_distance = df.withColumn("distance", func(df['percentile'] - percentile))
    min_distance = df_distance.groupBy().min('distance').collect()[0]['min(distance)']
    result = df_distance.filter(df_distance['distance'] == min_distance)
    result.drop("distance")
    return result


get_row_with_percentile(df, 0.6).show()

【讨论】:

以上是关于如何在 python 中使用 Spark Data frame 和 GroupBy 派生 Percentile的主要内容,如果未能解决你的问题,请参考以下文章

如何在 Spark 中使用 Python 查找 DataFrame 中的分区数以及如何在 Spark 中使用 Python 在 DataFrame 中创建分区

从 Spark GroupedData 对象中选择随机项

python core-spark-aggregating-data.py

python core-spark-filtering-data.py

使用 Java 在 Spark Data Frame 中添加空值列

Apache Spark:如何在Python 3中使用pyspark