![](/img/trans.png)
[英]How to create a list of n arrays from a list of tuples, each tuple containing n arrays? (Other than with a for loop)
[英]Create list containing proportionate number of data from n other lists
PySpark编程的新手。 我一直在尝试这个问题,并想知道是否有更有效的方法来解决它。
我有15个数据框,每个数据框包含2列:网站名称和点击数。 这些数据帧中的每一个都有不同数量的记录。 我想要最后一个数据框,在这里我从每个数据框获取了最高记录(基于匹配数)并将其添加到那里。 问题是,我从每个记录中都按比例提取了一些记录。 因此,例如,如果最后我要1500条记录,而我只有2个大小分别为10,000和5000的数据帧,那么我将从第一个中取出1000个,从第二个中取出500个。
所以目前,我有一个这样的实现:
1.在每个数据帧上调用count()。 现在我有了每个的长度,因此我可以确定每个数据帧中需要多少条记录。
2.根据匹配在每个数据帧上调用orderBy()。 然后在有序数据帧上调用limit(),以便将其限制为每个数据帧所需的记录总数。
上面的实现有效,但速度很慢。 这听起来也很贪婪,所以希望能有任何改进的提示。 谢谢!
尽管您仍然必须遍历数据框列表,但是您的方法似乎正确。 我们可以尝试这种方法来并行化计算:
首先让我们创建不同长度的示例数据帧:
import random
length_list = [10, 15, 20, 30]
df_list = []
for l in length_list:
df = spark.createDataFrame(
sc.parallelize([[chr(ord("a") + i), random.randint(0, 100), l] for i in range(l)]),
["name", "hits", "df_name"]
)
df_list.append(df)
请注意,我创建了一个列,其中包含数据框的长度作为其名称。
我们将创建所有数据框的union
,使其只有一个工作表:
from functools import reduce
from pyspark.sql import DataFrame
df = reduce(DataFrame.unionAll, df_list)
现在,我们将计算percent_rank
每个内df_name
使用一组Window
from pyspark.sql import Window
w = Window.partitionBy("df_name").orderBy(psf.desc("hits"))
df = df.withColumn("pct_rn", psf.percent_rank().over(w))
现在,您可以将数据框过滤到所需的每个组的比例,例如1/3
res = df.filter(df.pct_rn < 1/3.)
最后检查最终长度是否是原始长度的1/3:
res.groupBy("df_name").count().sort("df_name").show()
+-------+-----+
|df_name|count|
+-------+-----+
| 10| 3|
| 15| 6|
| 20| 7|
| 30| 10|
+-------+-----+
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.