我想在 Spark 数据帧上计算组分位数(使用 PySpark)。近似或精确的结果都可以。我更喜欢可以在 groupBy
的上下文中使用的解决方案/agg
,以便我可以将它与其他 PySpark 聚合函数混合使用。如果由于某种原因这是不可能的,另一种方法也可以。
This question相关但不说明如何使用 approxQuantile
作为聚合函数。
我也可以访问 percentile_approx
Hive UDF 但我不知道如何将其用作聚合函数。
为了具体起见,假设我有以下数据框:
from pyspark import SparkContext
import pyspark.sql.functions as f
sc = SparkContext()
df = sc.parallelize([
['A', 1],
['A', 2],
['A', 3],
['B', 4],
['B', 5],
['B', 6],
]).toDF(('grp', 'val'))
df_grp = df.groupBy('grp').agg(f.magic_percentile('val', 0.5).alias('med_val'))
df_grp.show()
预期结果是:
+----+-------+
| grp|med_val|
+----+-------+
| A| 2|
| B| 5|
+----+-------+
最佳答案
我想你不再需要它了。但是会把它留在这里给后代(即下周我忘记的时候)。
from pyspark.sql import Window
import pyspark.sql.functions as F
grp_window = Window.partitionBy('grp')
magic_percentile = F.expr('percentile_approx(val, 0.5)')
df.withColumn('med_val', magic_percentile.over(grp_window))
或者为了准确解决您的问题,这也有效:df.groupBy('grp').agg(magic_percentile.alias('med_val'))
作为奖励,您可以传递一组百分位数:quantiles = F.expr('percentile_approx(val, array(0.25, 0.5, 0.75))')
你会得到一个列表作为返回。
关于apache-spark - PySpark groupBy 中的中位数/分位数,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/46845672/