apache-spark - pyspark近似量子函数

我有这些列id，price，timestamp的数据框。

我想找到按id分组的中位数。

我正在使用此代码来查找它，但它给了我这个错误。

from pyspark.sql import DataFrameStatFunctions as statFunc
windowSpec = Window.partitionBy("id")
median = statFunc.approxQuantile("price",
                                 [0.5],
                                 0) \
                 .over(windowSpec)

return df.withColumn("Median", median)

无法使用DataFrameStatFunctions在新列中填充值吗？

TypeError: unbound method approxQuantile() must be called with DataFrameStatFunctions instance as first argument (got str instance instead)

最佳答案

好吧，确实可以使用approxQuantile在新的dataframe列中填充值而不是，但这不是为什么您会收到此错误。不幸的是，整个故事底下是一个相当令人沮丧的故事，例如I have argued就是许多Spark(尤其是PySpark)功能和缺乏适当文档的情况。

首先，没有，而是两种 approxQuantile方法。 first one是标准DataFrame类的一部分，即您不需要导入DataFrameStatFunctions:

spark.version
# u'2.1.1'

sampleData = [("bob","Developer",125000),("mark","Developer",108000),("carl","Tester",70000),("peter","Developer",185000),("jon","Tester",65000),("roman","Tester",82000),("simon","Developer",98000),("eric","Developer",144000),("carlos","Tester",75000),("henry","Developer",110000)]

df = spark.createDataFrame(sampleData, schema=["Name","Role","Salary"])
df.show()
# +------+---------+------+
# |  Name|     Role|Salary|
# +------+---------+------+
# |   bob|Developer|125000|
# |  mark|Developer|108000|
# |  carl|   Tester| 70000|
# | peter|Developer|185000|
# |   jon|   Tester| 65000|
# | roman|   Tester| 82000|
# | simon|Developer| 98000|
# |  eric|Developer|144000|
# |carlos|   Tester| 75000|
# | henry|Developer|110000|
# +------+---------+------+

med = df.approxQuantile("Salary", [0.5], 0.25) # no need to import DataFrameStatFunctions
med
# [98000.0]

The second one是DataFrameStatFunctions的一部分，但是如果您按常规使用它，则会报告以下错误:

from pyspark.sql import DataFrameStatFunctions as statFunc
med2 = statFunc.approxQuantile( "Salary", [0.5], 0.25)
# TypeError: unbound method approxQuantile() must be called with DataFrameStatFunctions instance as first argument (got str instance instead)

因为正确的用法是

med2 = statFunc(df).approxQuantile( "Salary", [0.5], 0.25)
med2
# [82000.0]

尽管您将无法在PySpark文档中找到关于此的简单示例(花了我一些时间自己弄清楚)...最好的部分？这两个值是不等于:

med == med2
# False

我怀疑这是由于使用了不确定性算法(毕竟，它应该是一个近似中值)，即使您使用相同的玩具数据重新运行命令，您也可能会获得不同的值(与我在这里报告的内容)-我建议您做一些实验以获得感觉...

但是，正如我已经说过的，这不是不能使用approxQuantile在新的数据框列中填充值的原因-即使您使用正确的语法，您也会得到一个不同的错误:

df2 = df.withColumn('median_salary', statFunc(df).approxQuantile( "Salary", [0.5], 0.25))
# AssertionError: col should be Column

在这里，col指的是withColumn操作的第二个参数，即approxQuantile一个，并且错误消息指出它不是Column类型-实际上，它是一个列表:

type(statFunc(df).approxQuantile( "Salary", [0.5], 0.25))
# list

因此，当填充列值时，Spark期望使用Column类型的参数，并且您不能使用列表。这是创建一个新列的示例，其中每个角色的平均值而不是中位数:

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

windowSpec = Window.partitionBy(df['Role'])
df2 = df.withColumn('mean_salary', func.mean(df['Salary']).over(windowSpec))
df2.show()
# +------+---------+------+------------------+
# |  Name|     Role|Salary|       mean_salary|
# +------+---------+------+------------------+
# |  carl|   Tester| 70000|           73000.0|
# |   jon|   Tester| 65000|           73000.0|
# | roman|   Tester| 82000|           73000.0|
# |carlos|   Tester| 75000|           73000.0|
# |   bob|Developer|125000|128333.33333333333|
# |  mark|Developer|108000|128333.33333333333|
# | peter|Developer|185000|128333.33333333333|
# | simon|Developer| 98000|128333.33333333333|
# |  eric|Developer|144000|128333.33333333333|
# | henry|Developer|110000|128333.33333333333|
# +------+---------+------+------------------+

之所以有效，是因为与approxQuantile相反，mean返回了Column:

type(func.mean(df['Salary']).over(windowSpec))
# pyspark.sql.column.Column

关于apache-spark - pyspark近似量子函数，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/45287832/