![](/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編程的新手。 我一直在嘗試這個問題,並想知道是否有更有效的方法來解決它。
我有15個數據框,每個數據框包含2列:網站名稱和點擊數。 這些數據幀中的每一個都有不同數量的記錄。 我想要最后一個數據框,在這里我從每個數據框獲取了最高記錄(基於匹配數)並將其添加到那里。 問題是,我從每個記錄中都按比例提取了一些記錄。 因此,例如,如果最后我要1500條記錄,而我只有2個大小分別為10,000和5000的數據幀,那么我將從第一個中取出1000個,從第二個中取出500個。
所以目前,我有一個這樣的實現:
1.在每個數據幀上調用count()。 現在我有了每個的長度,因此我可以確定每個數據幀中需要多少條記錄。
2.根據匹配在每個數據幀上調用orderBy()。 然后在有序數據幀上調用limit(),以便將其限制為每個數據幀所需的記錄總數。
上面的實現有效,但速度很慢。 這聽起來也很貪婪,所以希望能有任何改進的提示。 謝謝!
盡管您仍然必須遍歷數據框列表,但是您的方法似乎正確。 我們可以嘗試這種方法來並行化計算:
首先讓我們創建不同長度的示例數據幀:
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)
請注意,我創建了一個列,其中包含數據框的長度作為其名稱。
我們將創建所有數據框的union
,使其只有一個工作表:
from functools import reduce
from pyspark.sql import DataFrame
df = reduce(DataFrame.unionAll, df_list)
現在,我們將計算percent_rank
每個內df_name
使用一組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))
現在,您可以將數據框過濾到所需的每個組的比例,例如1/3
res = df.filter(df.pct_rn < 1/3.)
最后檢查最終長度是否是原始長度的1/3:
res.groupBy("df_name").count().sort("df_name").show()
+-------+-----+
|df_name|count|
+-------+-----+
| 10| 3|
| 15| 6|
| 20| 7|
| 30| 10|
+-------+-----+
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.