python - 从 PySpark 中的类别分布中查找值的百分位数

Question

我有以下 PySpark 数据帧(例如 df)。它具有列name、timestamp、category 和value。

+------+-------------------+--------+-----+
|  name|          timestamp|category|value|
+------+-------------------+--------+-----+
| name1|2019-01-17 00:00:00|       A|11.23|
| name2|2019-01-17 00:00:00|       A|14.57|
| name3|2019-01-10 00:00:00|       B| 2.21|
| name4|2019-01-10 00:00:00|       B| 8.76|
| name5|2019-01-17 00:00:00|       A|18.71|
| name6|2019-01-10 00:00:00|       A|17.78|
| name7|2019-01-10 00:00:00|       A| 5.52|
| name8|2019-01-10 00:00:00|       A| 9.91|
| name9|2019-01-17 00:00:00|       B| 1.16|
|name10|2019-01-17 00:00:00|       B| 12.0|
+------+-------------------+--------+-----+

我想在上述数据框中添加一个新列，它可以为我提供包含同一类别成员的分布中每个名称值的百分位排名和时间戳。

我的预期输出如下:

+------+-------------------+--------+-----+---------+
|name  |timestamp          |category|value|pct_value|
+------+-------------------+--------+-----+---------+
|name1 |2019-01-17 00:00:00|A       |11.23|1        |
|name10|2019-01-17 00:00:00|B       |12.0 |2        |
|name2 |2019-01-17 00:00:00|A       |14.57|2        |
|name3 |2019-01-10 00:00:00|B       |2.21 |1        |
|name4 |2019-01-10 00:00:00|B       |8.76 |2        |
+------+-------------------+--------+-----+---------+
only showing top 5 rows

执行此操作的最佳方法是什么？

我尝试过以下方法:

import pyspark.sql.functions as F
from pyspark.sql import Window as W

w_cat = W.partitionBy('category', 'timestamp').orderBy("value")

df_new = ( df.select( '*', F.ntile(1000).over(w_cat).alias( 'pct_value' ) ) ).persist()


df_new.orderBy('name', 'timestamp').show(5,False)

这给出了正确的预期输出。但是，当我在具有数百万行的实际数据上尝试该方法时，此方法需要很长时间(数小时)。

您可以使用下面提到的代码生成上面给出的数据帧 (df):

Stats = Row("name", "timestamp", "category", "value")

stat1 = Stats('name1', "2019-01-17 00:00:00", "A", 11.23)
stat2 = Stats('name2', "2019-01-17 00:00:00", "A", 14.57)
stat3 = Stats('name3', "2019-01-10 00:00:00", "B", 2.21)
stat4 = Stats('name4', "2019-01-10 00:00:00", "B", 8.76)
stat5 = Stats('name5', "2019-01-17 00:00:00", "A", 18.71)
stat6 = Stats('name6', "2019-01-10 00:00:00", "A", 17.78)
stat7 = Stats('name7', "2019-01-10 00:00:00", "A", 5.52)
stat8 = Stats('name8', "2019-01-10 00:00:00", "A", 9.91)
stat9 = Stats('name9', "2019-01-17 00:00:00", "B", 1.16)
stat10 = Stats('name10', "2019-01-17 00:00:00", "B", 12.0)

stat_lst = [stat1 , stat2, stat3, stat4, stat5, stat6, stat7, stat8, stat9, stat10]
df = spark.createDataFrame(stat_lst)

Answer 1

您可以尝试使用percentile_approx函数。

from pyspark.sql import Window
import pyspark.sql.functions as F

grp_window = Window.partitionBy('name')
# For median, i.e. 0.5 quantile
magic_percentile = F.expr('percentile_approx(val, 0.5)')

df.withColumn('pct_value', magic_percentile.over(grp_window))
# OR 
df.groupBy('name').agg(magic_percentile.alias('pct_value'))

您也可以使用percent_rank函数:

df.select('pct_value', percent_rank().over(w).alias("percentile"))\
    .where('percentile == 0.6').show()

您还可以传递一个百分位数数组，但这里的问题是您将获得一个列表作为返回:

quantiles = F.expr('percentile_approx(val, array(0.25, 0.5, 0.75))')