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

Posted 2023-04-15

【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 Date、Group 和 Price 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

【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/[e-mail]%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()