![](/img/trans.png)
[英]Using describe() with weighted data — mean, standard deviation, median, quantiles
[英]How to find median and quantiles using Spark
如何使用分布式方法、IPython 和 Spark 找到整数RDD
的中值? RDD
大约有 700,000 个元素,因此太大而无法收集和找到中位数。
这个问题类似于这个问题。 但是,问题的答案是使用 Scala,我不知道。
使用 Scala 答案的想法,我试图用 Python 编写类似的答案。
我知道我首先要对RDD
进行排序。 我不知道怎么。 我看到了sortBy
(按给定的keyfunc
对这个 RDD 进行排序)和sortByKey
(对这个RDD
进行排序,假定它由(键,值)对组成。)方法。 我认为两者都使用键值,而我的RDD
只有整数元素。
myrdd.sortBy(lambda x: x)
?rdd.count()
) 的长度。编辑:
我有个主意。 也许我可以索引我的RDD
,然后 key = index 和 value = element。 然后我可以尝试按值排序? 我不知道这是否可能,因为只有一个sortByKey
方法。
SPARK-30569 -添加调用 percentile_approx 的 DSL 函数
您可以使用实现Greenwald-Khanna 算法的approxQuantile
方法:
蟒蛇:
df.approxQuantile("x", [0.5], 0.25)
斯卡拉:
df.stat.approxQuantile("x", Array(0.5), 0.25)
其中最后一个参数是一个相对误差。 数字越小,结果越准确,计算成本越高。
从 Spark 2.2 ( SPARK-14352 ) 开始,它支持对多列的估计:
df.approxQuantile(["x", "y", "z"], [0.5], 0.25)
和
df.approxQuantile(Array("x", "y", "z"), Array(0.5), 0.25)
底层方法也可以使用approx_percentile
函数用于 SQL 聚合(全局和approx_percentile
):
> SELECT approx_percentile(10.0, array(0.5, 0.4, 0.1), 100);
[10.0,10.0,10.0]
> SELECT approx_percentile(10.0, 0.5, 100);
10.0
Python
正如我在评论中提到的,这很可能不值得大惊小怪。 如果数据相对较小,例如您的情况,则只需在本地收集和计算中位数:
import numpy as np
np.random.seed(323)
rdd = sc.parallelize(np.random.randint(1000000, size=700000))
%time np.median(rdd.collect())
np.array(rdd.collect()).nbytes
在我几年前的电脑和大约 5.5MB 的内存上大约需要 0.01 秒。
如果数据更大,排序将是一个限制因素,因此与其获取精确值,不如在本地进行采样、收集和计算。 但是,如果你真的想使用 Spark,这样的事情应该可以解决问题(如果我没有搞砸任何事情):
from numpy import floor
import time
def quantile(rdd, p, sample=None, seed=None):
"""Compute a quantile of order p ∈ [0, 1]
:rdd a numeric rdd
:p quantile(between 0 and 1)
:sample fraction of and rdd to use. If not provided we use a whole dataset
:seed random number generator seed to be used with sample
"""
assert 0 <= p <= 1
assert sample is None or 0 < sample <= 1
seed = seed if seed is not None else time.time()
rdd = rdd if sample is None else rdd.sample(False, sample, seed)
rddSortedWithIndex = (rdd.
sortBy(lambda x: x).
zipWithIndex().
map(lambda (x, i): (i, x)).
cache())
n = rddSortedWithIndex.count()
h = (n - 1) * p
rddX, rddXPlusOne = (
rddSortedWithIndex.lookup(x)[0]
for x in int(floor(h)) + np.array([0L, 1L]))
return rddX + (h - floor(h)) * (rddXPlusOne - rddX)
还有一些测试:
np.median(rdd.collect()), quantile(rdd, 0.5)
## (500184.5, 500184.5)
np.percentile(rdd.collect(), 25), quantile(rdd, 0.25)
## (250506.75, 250506.75)
np.percentile(rdd.collect(), 75), quantile(rdd, 0.75)
(750069.25, 750069.25)
最后让我们定义中位数:
from functools import partial
median = partial(quantile, p=0.5)
到目前为止一切顺利,但在没有任何网络通信的本地模式下需要 4.66 秒。 可能有办法改善这一点,但为什么还要麻烦呢?
语言无关( Hive UDAF ):
如果您使用HiveContext
您也可以使用 Hive UDAF。 使用积分值:
rdd.map(lambda x: (float(x), )).toDF(["x"]).registerTempTable("df")
sqlContext.sql("SELECT percentile_approx(x, 0.5) FROM df")
具有连续值:
sqlContext.sql("SELECT percentile(x, 0.5) FROM df")
在percentile_approx
您可以传递一个附加参数来确定要使用的记录数。
这是我使用窗口函数(使用 pyspark 2.2.0)使用的方法。
from pyspark.sql import DataFrame
class median():
""" Create median class with over method to pass partition """
def __init__(self, df, col, name):
assert col
self.column=col
self.df = df
self.name = name
def over(self, window):
from pyspark.sql.functions import percent_rank, pow, first
first_window = window.orderBy(self.column) # first, order by column we want to compute the median for
df = self.df.withColumn("percent_rank", percent_rank().over(first_window)) # add percent_rank column, percent_rank = 0.5 coressponds to median
second_window = window.orderBy(pow(df.percent_rank-0.5, 2)) # order by (percent_rank - 0.5)^2 ascending
return df.withColumn(self.name, first(self.column).over(second_window)) # the first row of the window corresponds to median
def addMedian(self, col, median_name):
""" Method to be added to spark native DataFrame class """
return median(self, col, median_name)
# Add method to DataFrame class
DataFrame.addMedian = addMedian
然后调用addMedian方法计算col2的中位数:
from pyspark.sql import Window
median_window = Window.partitionBy("col1")
df = df.addMedian("col2", "median").over(median_window)
最后,您可以根据需要进行分组。
df.groupby("col1", "median")
如果您只想要 RDD 方法并且不想移动到 DF,请添加解决方案。 此代码段可以为您提供双倍 RDD 的百分位数。
如果您输入百分位数为 50,您应该获得所需的中位数。 让我知道是否有任何未考虑的极端情况。
/**
* Gets the nth percentile entry for an RDD of doubles
*
* @param inputScore : Input scores consisting of a RDD of doubles
* @param percentile : The percentile cutoff required (between 0 to 100), e.g 90%ile of [1,4,5,9,19,23,44] = ~23.
* It prefers the higher value when the desired quantile lies between two data points
* @return : The number best representing the percentile in the Rdd of double
*/
def getRddPercentile(inputScore: RDD[Double], percentile: Double): Double = {
val numEntries = inputScore.count().toDouble
val retrievedEntry = (percentile * numEntries / 100.0 ).min(numEntries).max(0).toInt
inputScore
.sortBy { case (score) => score }
.zipWithIndex()
.filter { case (score, index) => index == retrievedEntry }
.map { case (score, index) => score }
.collect()(0)
}
我编写了一个函数,它将数据帧作为输入并返回一个数据帧,该数据帧将中值作为分区上的输出,而 order_col 是我们要为其计算中值的列 part_col 是我们要计算中值的级别:
from pyspark.sql import Window
import pyspark.sql.functions as F
def calculate_median(dataframe, part_col, order_col):
win = Window.partitionBy(*part_col).orderBy(order_col)
# count_row = dataframe.groupby(*part_col).distinct().count()
dataframe.persist()
dataframe.count()
temp = dataframe.withColumn("rank", F.row_number().over(win))
temp = temp.withColumn(
"count_row_part",
F.count(order_col).over(Window.partitionBy(part_col))
)
temp = temp.withColumn(
"even_flag",
F.when(
F.col("count_row_part") %2 == 0,
F.lit(1)
).otherwise(
F.lit(0)
)
).withColumn(
"mid_value",
F.floor(F.col("count_row_part")/2)
)
temp = temp.withColumn(
"avg_flag",
F.when(
(F.col("even_flag")==1) &
(F.col("rank") == F.col("mid_value"))|
((F.col("rank")-1) == F.col("mid_value")),
F.lit(1)
).otherwise(
F.when(
F.col("rank") == F.col("mid_value")+1,
F.lit(1)
)
)
)
temp.show(10)
return temp.filter(
F.col("avg_flag") == 1
).groupby(
part_col + ["avg_flag"]
).agg(
F.avg(F.col(order_col)).alias("median")
).drop("avg_flag")
有两种方法可以使用。 一种是使用approxQuantile方法,另一种是使用percentile_approx方法。 但是,当记录数为偶数时,这两种方法都可能无法给出准确的结果。
importpyspark.sql.functions.percentile_approx as F
# df.select(F.percentile_approx("COLUMN_NAME_FOR_WHICH_MEDIAN_TO_BE_COMPUTED", 0.5).alias("MEDIAN)) # might not give proper results when there are even number of records
((
df.select(F.percentile_approx("COLUMN_NAME_FOR_WHICH_MEDIAN_TO_BE_COMPUTED", 0.5) + df.select(F.percentile_approx("COLUMN_NAME_FOR_WHICH_MEDIAN_TO_BE_COMPUTED", 0.51)
)*.5).alias("MEDIAN))
对于精确的中值计算,您可以使用以下函数并将其与 PySpark DataFrame API 一起使用:
def median_exact(col: Union[Column, str]) -> Column:
"""
For grouped aggregations, Spark provides a way via pyspark.sql.functions.percentile_approx("col", .5) function,
since for large datasets, computing the median is computationally expensive.
This function manually computes the median and should only be used for small to mid sized datasets / groupings.
:param col: Column to compute the median for.
:return: A pyspark `Column` containing the median calculation expression
"""
list_expr = F.filter(F.collect_list(col), lambda x: x.isNotNull())
sorted_list_expr = F.sort_array(list_expr)
size_expr = F.size(sorted_list_expr)
even_num_elements = (size_expr % 2) == 0
odd_num_elements = ~even_num_elements
return F.when(size_expr == 0, None).otherwise(
F.when(odd_num_elements, sorted_list_expr[F.floor(size_expr / 2)]).otherwise(
(
sorted_list_expr[(size_expr / 2 - 1).cast("long")]
+ sorted_list_expr[(size_expr / 2).cast("long")]
)
/ 2
)
)
像这样应用它:
output_df = input_spark_df.groupby("group").agg(
median_exact("elems").alias("elems_median")
)
我们可以使用df.stat.approxQuantile(col,[quantiles],error)
计算 spark 中的中位数和分位数
例如,在此数据框中查找中位数。 [1,2,3,4,5]
df.stat.approxQuantile(col,[0.5],0)
误差越小,结果越准确
从版本 3.4+(并且已经在 3.3.1 中)开始,中值函数直接可用https://github.com/apache/spark/blob/e170a2eb236a376b036730b5d63371e753f1d947/python/pyspark/sql/functions.py#L633
import pyspark.sql.functions as f
df.groupBy("grp").agg(f.median("val"))
我想如果版本最终发布,将添加相应的文档。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.