[英]How to transform data with sliding window over time series data in Pyspark
据我所知, sliding
功能不能从Python获得, SlidingRDD
是私有类,不能在MLlib
外部MLlib
。
如果你在现有的RDD上使用sliding
,你可以像这样创建穷人sliding
:
def sliding(rdd, n):
assert n > 0
def gen_window(xi, n):
x, i = xi
return [(i - offset, (i, x)) for offset in xrange(n)]
return (
rdd.
zipWithIndex(). # Add index
flatMap(lambda xi: gen_window(xi, n)). # Generate pairs with offset
groupByKey(). # Group to create windows
# Sort values to ensure order inside window and drop indices
mapValues(lambda vals: [x for (i, x) in sorted(vals)]).
sortByKey(). # Sort to makes sure we keep original order
values(). # Get values
filter(lambda x: len(x) == n)) # Drop beginning and end
或者你可以尝试这样的东西(在toolz
帮助下)
from toolz.itertoolz import sliding_window, concat
def sliding2(rdd, n):
assert n > 1
def get_last_el(i, iter):
"""Return last n - 1 elements from the partition"""
return [(i, [x for x in iter][(-n + 1):])]
def slide(i, iter):
"""Prepend previous items and return sliding window"""
return sliding_window(n, concat([last_items.value[i - 1], iter]))
def clean_last_items(last_items):
"""Adjust for empty or to small partitions"""
clean = {-1: [None] * (n - 1)}
for i in range(rdd.getNumPartitions()):
clean[i] = (clean[i - 1] + list(last_items[i]))[(-n + 1):]
return {k: tuple(v) for k, v in clean.items()}
last_items = sc.broadcast(clean_last_items(
rdd.mapPartitionsWithIndex(get_last_el).collectAsMap()))
return rdd.mapPartitionsWithIndex(slide)
为了增加venuktan的答案,这里是如何使用Spark SQL创建一个基于时间的滑动窗口并保留窗口的全部内容,而不是采用它的聚合。 在我将时间序列数据预处理到滑动窗口以输入Spark ML的用例中需要这样做。
这种方法的一个限制是我们假设你想随着时间推移滑动窗口。
首先,您可以创建Spark DataFrame,例如通过读取CSV文件:
df = spark.read.csv('foo.csv')
我们假设您的CSV文件有两列:其中一列是unix时间戳,另一列是要从中提取滑动窗口的列。
from pyspark.sql import functions as f
window_duration = '1000 millisecond'
slide_duration = '500 millisecond'
df.withColumn("_c0", f.from_unixtime(f.col("_c0"))) \
.groupBy(f.window("_c0", window_duration, slide_duration)) \
.agg(f.collect_list(f.array('_c1'))) \
.withColumnRenamed('collect_list(array(_c1))', 'sliding_window')
额外:要将此数组列转换为Spark ML所需的DenseVector格式, 请参阅此处的UDF方法 。
额外奖励:要取消嵌套生成的列,以便滑动窗口的每个元素都有自己的列,请在此处尝试此方法 。
我希望这有帮助,如果我能澄清任何事情,请告诉我。
spark 1.4具有窗口功能,如下所述: https : //databricks.com/blog/2015/07/15/introducing-window-functions-in-spark-sql.html
希望有所帮助,请告诉我。
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.