如何从 PySpark DataFrame 中随机抽取一行？

Question

如何从 PySpark DataFrame 中获取随机行？ 我只看到以分数作为参数的方法sample() 。 将此分数设置为1/numberOfRows会导致随机结果，有时我不会得到任何行。

在RDD有一个方法takeSample()将您希望样本包含的元素数量作为参数。 我知道这可能很慢，因为您必须计算每个分区，但是有没有办法在 DataFrame 上获得这样的东西？

Answer 1

您可以简单地在RDD上调用takeSample ：

df = sqlContext.createDataFrame(
    [(1, "a"), (2, "b"), (3, "c"), (4, "d")], ("k", "v"))
df.rdd.takeSample(False, 1, seed=0)
## [Row(k=3, v='c')]

如果您不想收集，您可以简单地采用更高的分数和限制：

df.sample(False, 0.1, seed=0).limit(1)

Answer 2

不同类型的样品

随机抽样 % 有替换和无替换的数据

import pyspark.sql.functions as F
#Randomly sample 50% of the data without replacement
sample1 = df.sample(False, 0.5, seed=0)

#Randomly sample 50% of the data with replacement
sample1 = df.sample(True, 0.5, seed=0)

#Take another sample exlcuding records from previous sample using Anti Join
sample2 = df.join(sample1, on='ID', how='left_anti').sample(False, 0.5, seed=0)

#Take another sample exlcuding records from previous sample using Where
sample1_ids = [row['ID'] for row in sample1.ID]
sample2 = df.where(~F.col('ID').isin(sample1_ids)).sample(False, 0.5, seed=0)

#Generate a startfied sample of the data across column(s)
#Sampling is probabilistic and thus cannot guarantee an exact number of rows
fractions = {
        'NJ': 0.5, #Take about 50% of records where state = NJ
    'NY': 0.25, #Take about 25% of records where state = NY
    'VA': 0.1, #Take about 10% of records where state = VA
}
stratified_sample = df.sampleBy(F.col('state'), fractions, seed=0)

Answer 3

这是使用 Pandas DataFrame.Sample方法的替代方法。 这使用 spark applyInPandas方法来分发组，可从 Spark 3.0.0 获得。 这允许您为每组选择确切数量的行。

我已将args和kwargs添加到函数中，以便您可以访问DataFrame.Sample的其他参数。

def sample_n_per_group(n, *args, **kwargs):
    def sample_per_group(pdf):
        return pdf.sample(n, *args, **kwargs)
    return sample_per_group

df = spark.createDataFrame(
    [
        (1, 1.0), 
        (1, 2.0), 
        (2, 3.0), 
        (2, 5.0), 
        (2, 10.0)
    ],
    ("id", "v")
)

(df.groupBy("id")
   .applyInPandas(
        sample_n_per_group(1, random_state=2), 
        schema=df.schema
   )
)

要了解非常大的团体的限制，请参阅文档：

此功能需要完全洗牌。 一个组的所有数据都会被加载到内存中，因此用户应该意识到如果数据倾斜并且某些组太大而无法放入内存，则用户应该意识到潜在的OOM风险。