python - PySpark:一步计算均值、标准差和均值附近的那些值

Question

我的原始数据采用表格格式。它包含来自不同变量的观察结果。每个观测值都有变量名、时间戳和当时的值。

Variable [string], Time [datetime], Value [float]

数据以 Parquet 格式存储在 HDFS 中，并加载到 Spark Dataframe (df) 中。来自那个数据框。

现在我想为每个变量计算默认统计数据，例如均值、标准差和其他。之后，一旦检索到均值，我想过滤/计算该变量的那些接近均值的值。

由于对我的 other question 的回答，我想出了这段代码:

from pyspark.sql.window import Window
from pyspark.sql.functions import *
from pyspark.sql.types import *

w1 = Window().partitionBy("Variable")
w2 = Window.partitionBy("Variable").orderBy("Time")

def stddev_pop_w(col, w):
    #Built-in stddev doesn't support windowing
    return sqrt(avg(col * col).over(w) - pow(avg(col).over(w), 2))

def isInRange(value, mean, stddev, radius):
    try:
        if (abs(value - mean) < radius * stddev):
            return 1
        else:
            return 0
    except AttributeError:
        return -1

delta = col("Time").cast("long") - lag("Time", 1).over(w2).cast("long")
#f = udf(lambda (value, mean, stddev, radius): abs(value - mean) < radius * stddev, IntegerType())
#f2 = udf(lambda value, mean, stddev: isInRange(value, mean, stddev, 2), IntegerType())
#f3 = udf(lambda value, mean, stddev: isInRange(value, mean, stddev, 3), IntegerType())

df_ = df_all \
    .withColumn("mean", mean("Value").over(w1)) \
    .withColumn("std_deviation", stddev_pop_w(col("Value"), w1)) \
    .withColumn("delta", delta) \
#    .withColumn("stddev_2", f2("Value", "mean", "std_deviation")) \
#    .withColumn("stddev_3", f3("Value", "mean", "std_deviation")) \

#df2.show(5, False)

问题最后两行注释行不起作用。它会给出一个 AttributeError，因为 stddev 和 mean 的传入值为空。我想发生这种情况是因为我指的是那些也只是即时计算并且当时没有值(value)的列。 但是有办法实现吗？

目前我正在像这样进行第二次运行:

df = df_.select("*", \
    abs(df_.Value - df_.mean).alias("max_deviation_mean"), \
    when(abs(df_.Value - df_.mean) < 2 * df_.std_deviation, 1).otherwise(1).alias("std_dev_mean_2"), \
    when(abs(df_.Value - df_.mean) < 3 * df_.std_deviation, 1).otherwise(1).alias("std_dev_mean_3"))

Answer 1

解决方案是使用 DataFrame.aggregateByKey 函数聚合每个分区和节点的值，然后围绕计算节点对聚合进行洗牌，然后将它们合并为一个结果值。

伪代码如下所示。它的灵感来自 this tutorial , 但它使用了 StatCounter 的两个实例，尽管我们同时汇总了两个不同的统计数据:

from pyspark.statcounter import StatCounter
# value[0] is the timestamp and value[1] is the float-value
# we are using two instances of StatCounter to sum-up two different statistics

def mergeValues(s1, v1, s2, v2):
    s1.merge(v1)
    s2.merge(v2)
    return

def combineStats(s1, s2):
    s1[0].mergeStats(s2[0])
    s1[1].mergeStats(s2[1])
    return
(df.aggregateByKey((StatCounter(), StatCounter()),
        (lambda s, values: mergeValues(s[0], values[0], s[1], values[1]),
        (lambda s1, s2: combineStats(s1, s2))
    .mapValues(lambda s: (  s[0].min(), s[0].max(), s[1].max(), s[1].min(), s[1].mean(), s[1].variance(), s[1].stddev,() s[1].count()))
    .collect())