apache-spark - 如何从Apache Spark的数据框中选择大小相同的分层样本？

Question

我在Spark 2中有一个数据框，如下所示，其中用户有50到数千个帖子。我想创建一个新数据框，将所有用户都保留在原始数据框中，但每个用户只有5个随机采样的帖子。

+--------+--------------+--------------------+
| user_id|       post_id|                text|
+--------+--------------+--------------------+
|67778705|44783131591473|some text...........|
|67778705|44783134580755|some text...........|
|67778705|44783136367108|some text...........|
|67778705|44783136970669|some text...........|
|67778705|44783138143396|some text...........|
|67778705|44783155162624|some text...........|
|67778705|44783688650554|some text...........|
|68950272|88655645825660|some text...........|
|68950272|88651393135293|some text...........|
|68950272|88652615409812|some text...........|
|68950272|88655744880460|some text...........|
|68950272|88658059871568|some text...........|
|68950272|88656994832475|some text...........|
+--------+--------------+--------------------+

像posts.groupby('user_id').agg(sample('post_id'))这样的东西，但是在pyspark中没有这样的功能。

有什么建议吗？

更新:

这个问题与另一个紧密相关的问题stratified-sampling-in-spark在两个方面不同:

在上面的另一个问题中，它询问的是不成比例的分层抽样，而不是普通的成比例方法。

它询问有关在Spark的Dataframe API中而不是RDD中执行此操作的问题。

我也更新了问题的标题以澄清这一点。

Answer 1

使用sampleBy将产生近似解决方案。这是一种替代方法，比上面的方法有些棘手，但总是导致样本大小完全相同。

import org.apache.spark.sql.functions.row_number
import org.apache.spark.sql.expressions.Window

df.withColumn("row_num",row_number().over(Window.partitionBy($"user_id").orderBy($"something_random"))

如果您还没有随机ID，则可以使用org.apache.spark.sql.functions.rand创建一个具有随机值的列，以保证您的随机采样。