Question

如何使用分布式方法，IPython和Spark找到RDD整数的中位数？ RDD大约有700,000个元素，因此太大而无法收集并找到中位数。

这个问题类似于这个问题。但是，问题的答案是使用Scala，我不知道。

How can I calculate exact median with Apache Spark?

使用Scala答案的思考，我试图用Python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。我看到sortBy（按给定的keyfunc对此RDD进行排序）和sortByKey（对此RDD进行排序，假设它由（键，值）对组成。）方法。我认为两者都使用键值，而我的RDD只有整数元素。

首先，我在考虑做myrdd.sortBy(lambda x: x)？
接下来，我将找到rdd（rdd.count()）的长度。
最后，我想在rdd的中心找到元素或2个元素。我也需要帮助这个方法。

编辑：

我有个主意。也许我可以索引我的RDD然后键= index和value = element。然后我可以尝试按价值排序？我不知道这是否可行，因为只有sortByKey方法。

Answer 1

Spark 2.0 +：

您可以使用实现Greenwald-Khanna algorithm的approxQuantile方法：

<强>的Python ：

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

<强> Scala的：

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

其中最后一个参数是相对错误。数字越低，结果越准确，计算成本也越高。

自Spark 2.2（SPARK-14352）以来，它支持对多列进行估算：

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

和

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

Spark＆lt; 2.0

<强>的Python

正如我在评论中提到的那样，很可能不值得大惊小怪。如果数据相对较小，那么只需在本地收集和计算中位数：

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

我几年前的电脑和大约5.5MB的内存大约需要0.01秒。

如果数据要大得多，那么排序将是一个限制因素，因此不是获得精确值，而是在本地进行采样，收集和计算可能更好。但是，如果你真的想要使用Spark这样的东西应该做的伎俩（如果我没有弄乱任何东西）：

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)

到目前为止一直很好，但在本地模式下需要4.66秒而没有任何网络通信。可能有办法改善这一点，但为什么甚至打扰？

语言无关（ Hive UDAF ）：

如果您使用HiveContext，您还可以使用Hive UDAF。具有整数值：

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

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

持续值：

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

在percentile_approx中，您可以传递一个额外的参数来确定要使用的记录数。

Answer 2

如果您只想要RDD方法并且不想转移到DF，请添加解决方案。这个片段可以让你获得RDD为双倍的百分位数。

如果您输入百分位数为50，则应获得所需的中位数。如果有任何角落案例没有考虑，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)
  }

Answer 3

这是我使用窗口函数（使用pyspark 2.2.0）时使用的方法。

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方法计算col2的中位数：

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")

Answer 4

我已经编写了一个函数，该函数将数据帧作为输入，并返回一个数据帧，该数据帧的中位数作为分区上的输出，order_col是我们要为其计算中值的列part_col是我们想要的级别计算中位数：

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")

如何使用Spark查找中值和分位数

4 个答案:

Spark 2.0 +：

Spark＆lt; 2.0