為spark scala中的數據框中的每個組采樣不同數量的隨機行

Question

目標是為每個組在數據幀中采樣（不替換）不同數量的行。 要為特定組采樣的行數在另一個數據幀中。

示例：idDF是要采樣的數據幀。 這些組由ID列表示。 數據幀planDF指定每個組的樣本行數，其中“datesToUse”表示行數，“ID”表示組。 “totalDates”是該組的總行數，可能有用也可能沒用。

最終結果應該具有從第一組（ID 1）采樣的3行，從第二組采樣的2行（ID 2）和從第三組采樣的1行（ID 3）。

val idDF = Seq(
  (1, "2017-10-03"),
  (1, "2017-10-22"),
  (1, "2017-11-01"),
  (1, "2017-10-02"),
  (1, "2017-10-09"),
  (1, "2017-12-24"),
  (1, "2017-10-20"),
  (2, "2017-11-17"),
  (2, "2017-11-12"),
  (2, "2017-12-02"),      
  (2, "2017-10-03"),
  (3, "2017-12-18"),
  (3, "2017-11-21"),
  (3, "2017-12-13"),
  (3, "2017-10-08"),
  (3, "2017-10-16"),
  (3, "2017-12-04")
 ).toDF("ID", "date")

val planDF = Seq(
  (1, 3, 7),
  (2, 2, 4),
  (3, 1, 6)
 ).toDF("ID", "datesToUse", "totalDates")

這是結果數據框應該是什么樣子的一個例子：

+---+----------+
| ID|      date|
+---+----------+
|  1|2017-10-22|
|  1|2017-11-01|
|  1|2017-10-20|
|  2|2017-11-12|
|  2|2017-10-03|
|  3|2017-10-16|
+---+----------+

到目前為止，我嘗試使用DataFrame的示例方法： https ：//spark.apache.org/docs/1.5.0/api/java/org/apache/spark/sql/DataFrame.html以下是一個示例適用於整個數據框架。

def sampleDF(DF: DataFrame, datesToUse: Int, totalDates: Int): DataFrame = {
  val fraction = datesToUse/totalDates.toFloat.toDouble
  DF.sample(false, fraction)
}

我無法弄清楚如何為每個組使用這樣的東西。 我嘗試將planDF表加入idDF表並使用窗口分區。

我的另一個想法是以某種方式創建一個隨機標記為True / false的新列，然后對該列進行過濾。

Answer 1

完全在入住Dataframes另一種選擇是計算概率使用planDF ，與加盟idDF ，追加隨機數的一列，然后進行篩選。 sql.functions是， sql.functions有一個rand函數。

import org.apache.spark.sql.functions._

import spark.implicits._

val probabilities = planDF.withColumn("prob", $"datesToUse" / $"totalDates")

val dfWithProbs = idDF.join(probabilities, Seq("ID"))
  .withColumn("rand", rand())
  .where($"rand" < $"prob")

（你需要仔細檢查那不是整數除法。）

Answer 2

假設您的planDF足夠小以便collect ，您可以使用Scala的foldLeft遍歷id列表並累積每個id的示例Dataframe：

import org.apache.spark.sql.{Row, DataFrame}

def sampleByIdDF(DF: DataFrame, id: Int, datesToUse: Int, totalDates: Int): DataFrame = {
  val fraction = datesToUse.toDouble / totalDates
  DF.where($"id" === id ).sample(false, fraction)
}

val emptyDF = Seq.empty[(Int, String)].toDF("ID", "date")

val planList = planDF.rdd.collect.map{ case Row(x: Int, y: Int, z: Int) => (x, y, z) }
// planList: Array[(Int, Int, Int)] = Array((1,3,7), (2,2,4), (3,1,6))

planList.foldLeft( emptyDF ){
  case (accDF: DataFrame, (id: Int, num: Int, total: Int)) =>
    accDF union sampleByIdDF(idDF, id, num, total)
}
// res1: org.apache.spark.sql.DataFrame = [ID: int, date: string]

// res1.show
// +---+----------+
// | ID|      date|
// +---+----------+
// |  1|2017-10-03|
// |  1|2017-11-01|
// |  1|2017-10-02|
// |  1|2017-12-24|
// |  1|2017-10-20|
// |  2|2017-11-17|
// |  2|2017-11-12|
// |  2|2017-12-02|
// |  3|2017-11-21|
// |  3|2017-12-13|
// +---+----------+

請注意，方法sample()不一定生成方法參數中指定的確切數量的樣本。 這是一個相關的SO Q＆A 。

如果你的planDF很大，你可能不得不考慮使用RDD的聚合 ，它具有以下簽名（跳過隱式參數）：

def aggregate[U](zeroValue: U)(seqOp: (U, T) ⇒ U, combOp: (U, U) ⇒ U): U

它的工作方式有點像foldLeft ，除了它在一個分區中有一個累加運算符，另外一個用於匯總來自不同分區的結果。