如何使用 Spark 查找中位数和分位数

如何使用分布式方法、 IPython 和 Spark 找到 RDD整数的中值？RDD大约有700,000个元素，因此太大而无法收集和找到中间值。

这个问题和这个问题很相似。然而，这个问题的答案是使用 Scala，我不知道。

如何使用 ApacheSpark 计算精确的中位数？

使用 Scala 答案的思路，我尝试用 Python 编写一个类似的答案。

我知道我首先要对 RDD进行排序。我不知道怎么做。我看到了 sortBy(根据给定的 keyfunc对这个 RDD 进行排序)和 sortByKey(对这个假定由(键，值)对组成的 RDD进行排序)方法。我认为两者都使用键值，我的 RDD只有整数元素。

  1. 首先，我想做 myrdd.sortBy(lambda x: x)？
  2. 接下来我将查找 rdd (rdd.count())的长度。
  3. 最后，我想找到位于 rdd 中心的元素或2个元素。我也需要这个方法的帮助。

编辑:

我有个主意。也许我可以索引我的 RDD，然后键 = 索引和值 = 元素。然后我可以尝试按值排序？我不知道这是否可行，因为只有一个 sortByKey方法。

144713 次浏览
小开
最佳答案

正在进行的工作

SPARK-30569 -< em > 添加 DSL 函数，调用 perentile _ provx

Spark 2.0 + :

你可以使用实现 Greenwald-Khanna 算法的 approxQuantile方法:

Python :

df.approxQuantile("x", [0.5], 0.25)

Scala :

df.stat.approxQuantile("x", Array(0.5), 0.25)

其中最后一个参数是一个相对误差。数字越小，结果越准确，计算量越大。

自从 Spark 2.2(SARK-14352)以来，它支持多列的估计:

df.approxQuantile(["x", "y", "z"], [0.5], 0.25)

还有

df.approxQuantile(Array("x", "y", "z"), Array(0.5), 0.25)

底层方法也可以用于使用 approx_percentile函数的 SQL 聚合(全局聚合和分组聚合) :

> SELECT approx_percentile(10.0, array(0.5, 0.4, 0.1), 100);
[10.0,10.0,10.0]
> SELECT approx_percentile(10.0, 0.5, 100);
10.0

火花 < 2.0

巨蟒

正如我在评论中提到的，这很可能不值得大惊小怪。如果数据相对较小，比如你的情况，那么只需在本地收集并计算中位数:

import numpy as np


np.random.seed(323)
rdd = sc.parallelize(np.random.randint(1000000, size=700000))


%time np.median(rdd.collect())
np.array(rdd.collect()).nbytes

在我用了几年的电脑上，它大约需要0.01秒和5.5 MB 的内存。

如果数据的排序规模大得多，那么排序将是一个限制因素，因此与其得到一个精确的值，不如在本地进行采样、收集和计算。但是如果你真的想要使用 Spark，这样的东西应该可以做到(如果我没有搞砸任何事情的话) :

from numpy import floor
import time


def quantile(rdd, p, sample=None, seed=None):
"""Compute a quantile of order p ∈ [0, 1]
:rdd a numeric rdd
:p quantile(between 0 and 1)
:sample fraction of and rdd to use. If not provided we use a whole dataset
:seed random number generator seed to be used with sample
"""
assert 0 <= p <= 1
assert sample is None or 0 < sample <= 1


seed = seed if seed is not None else time.time()
rdd = rdd if sample is None else rdd.sample(False, sample, seed)


rddSortedWithIndex = (rdd.
sortBy(lambda x: x).
zipWithIndex().
map(lambda (x, i): (i, x)).
cache())


n = rddSortedWithIndex.count()
h = (n - 1) * p


rddX, rddXPlusOne = (
rddSortedWithIndex.lookup(x)[0]
for x in int(floor(h)) + np.array([0L, 1L]))


return rddX + (h - floor(h)) * (rddXPlusOne - rddX)

还有一些测试:

np.median(rdd.collect()), quantile(rdd, 0.5)
## (500184.5, 500184.5)
np.percentile(rdd.collect(), 25), quantile(rdd, 0.25)
## (250506.75, 250506.75)
np.percentile(rdd.collect(), 75), quantile(rdd, 0.75)
(750069.25, 750069.25)

最后，让我们定义中位数:

from functools import partial
median = partial(quantile, p=0.5)

到目前为止还不错，但是在没有任何网络通信的情况下，在本地模式下需要4.66秒。也许有办法可以改善这种状况，但为什么还要费这个劲呢？

语言无关 (蜂巢 UDAF) :

如果你使用 HiveContext，你也可以使用 Hive UDAFs。积分值:

rdd.map(lambda x: (float(x), )).toDF(["x"]).registerTempTable("df")


sqlContext.sql("SELECT percentile_approx(x, 0.5) FROM df")

具有连续值:

sqlContext.sql("SELECT percentile(x, 0.5) FROM df")

在 percentile_approx中，可以传递一个附加参数，该参数确定要使用的记录数量。

小开

添加一个解决方案，如果你只想一个 RDD 方法，不想移动到 DF。 这个代码片段可以为 RDD 的双倍提供一个百分比。

如果您输入的百分位数为50，则应获得所需的中位数。 如果有什么边缘案件没有解决，请告诉我。

/**
* Gets the nth percentile entry for an RDD of doubles
*
* @param inputScore : Input scores consisting of a RDD of doubles
* @param percentile : The percentile cutoff required (between 0 to 100), e.g 90%ile of [1,4,5,9,19,23,44] = ~23.
*                     It prefers the higher value when the desired quantile lies between two data points
* @return : The number best representing the percentile in the Rdd of double
*/
def getRddPercentile(inputScore: RDD[Double], percentile: Double): Double = {
val numEntries = inputScore.count().toDouble
val retrievedEntry = (percentile * numEntries / 100.0 ).min(numEntries).max(0).toInt




inputScore
.sortBy { case (score) => score }
.zipWithIndex()
.filter { case (score, index) => index == retrievedEntry }
.map { case (score, index) => score }
.collect()(0)
}
小开

下面是我使用窗口函数(使用 pypark 2.2.0)所使用的方法。

from pyspark.sql import DataFrame


class median():
""" Create median class with over method to pass partition """
def __init__(self, df, col, name):
assert col
self.column=col
self.df = df
self.name = name


def over(self, window):
from pyspark.sql.functions import percent_rank, pow, first


first_window = window.orderBy(self.column)                                  # first, order by column we want to compute the median for
df = self.df.withColumn("percent_rank", percent_rank().over(first_window))  # add percent_rank column, percent_rank = 0.5 coressponds to median
second_window = window.orderBy(pow(df.percent_rank-0.5, 2))                 # order by (percent_rank - 0.5)^2 ascending
return df.withColumn(self.name, first(self.column).over(second_window))     # the first row of the window corresponds to median


def addMedian(self, col, median_name):
""" Method to be added to spark native DataFrame class """
return median(self, col, median_name)


# Add method to DataFrame class
DataFrame.addMedian = addMedian

然后调用 addMedian 方法来计算 col2的中值:

from pyspark.sql import Window


median_window = Window.partitionBy("col1")
df = df.addMedian("col2", "median").over(median_window)

最后，如果需要，您可以分组。

df.groupby("col1", "median")
小开

我已经写了一个函数，它以数据帧作为输入，返回一个数据帧，其中一个分区的输出是中位数，order _ coll 是我们想要计算 part _ coll 中位数的列，我们想要计算 part _ coll 中位数的级别:

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


def calculate_median(dataframe, part_col, order_col):
win = Window.partitionBy(*part_col).orderBy(order_col)
#     count_row = dataframe.groupby(*part_col).distinct().count()
dataframe.persist()
dataframe.count()
temp = dataframe.withColumn("rank", F.row_number().over(win))
temp = temp.withColumn(
"count_row_part",
F.count(order_col).over(Window.partitionBy(part_col))
)
temp = temp.withColumn(
"even_flag",
F.when(
F.col("count_row_part") %2 == 0,
F.lit(1)
).otherwise(
F.lit(0)
)
).withColumn(
"mid_value",
F.floor(F.col("count_row_part")/2)
)


temp = temp.withColumn(
"avg_flag",
F.when(
(F.col("even_flag")==1) &
(F.col("rank") == F.col("mid_value"))|
((F.col("rank")-1) == F.col("mid_value")),
F.lit(1)
).otherwise(
F.when(
F.col("rank") == F.col("mid_value")+1,
F.lit(1)
)
)
)
temp.show(10)
return temp.filter(
F.col("avg_flag") == 1
).groupby(
part_col + ["avg_flag"]
).agg(
F.avg(F.col(order_col)).alias("median")
).drop("avg_flag")
小开

有两种方法可以使用。一种是使用 分位数方法，另一种是使用 百分比 _ 大约方法。然而，当记录数为偶数时，这两种方法都可能无法给出准确的结果。

importpyspark.sql.functions.percentile_approx as F
# df.select(F.percentile_approx("COLUMN_NAME_FOR_WHICH_MEDIAN_TO_BE_COMPUTED", 0.5).alias("MEDIAN)) # might not give proper results when there are even number of records


((
df.select(F.percentile_approx("COLUMN_NAME_FOR_WHICH_MEDIAN_TO_BE_COMPUTED", 0.5) + df.select(F.percentile_approx("COLUMN_NAME_FOR_WHICH_MEDIAN_TO_BE_COMPUTED", 0.51)
)*.5).alias("MEDIAN))
小开

对于精确的中位数计算，您可以使用以下函数并将其与 PySpark DataFrame API 一起使用:

def median_exact(col: Union[Column, str]) -> Column:
"""
For grouped aggregations, Spark provides a way via pyspark.sql.functions.percentile_approx("col", .5) function,
since for large datasets, computing the median is computationally expensive.
This function manually computes the median and should only be used for small to mid sized datasets / groupings.
:param col: Column to compute the median for.
:return: A pyspark `Column` containing the median calculation expression
"""
list_expr = F.filter(F.collect_list(col), lambda x: x.isNotNull())
sorted_list_expr = F.sort_array(list_expr)
size_expr = F.size(sorted_list_expr)


even_num_elements = (size_expr % 2) == 0
odd_num_elements = ~even_num_elements


return F.when(size_expr == 0, None).otherwise(
F.when(odd_num_elements, sorted_list_expr[F.floor(size_expr / 2)]).otherwise(
(
sorted_list_expr[(size_expr / 2 - 1).cast("long")]
+ sorted_list_expr[(size_expr / 2).cast("long")]
)
/ 2
)
)

像这样涂抹:

output_df = input_spark_df.groupby("group").agg(
median_exact("elems").alias("elems_median")
)
小开

我们可以用下面的代码计算火花中的中位数和分位数:

df.stat.approxQuantile(col,[quantiles],error)

例如，在下面的数据帧 [1,2,3,4,5]中找到中值:

df.stat.approxQuantile(col,[0.5],0)

误差越小，结果越准确。


提交答案