我是普通的R用户。
对于看起来像下面的data.frame
,我想计算基本的聚合统计数据;最小,第1分位数,中位数,第3分位数和最大值。以下代码使用reshape2
包和dplyr
来继续普通普通R中的操作
library(reshape2)
library(dplyr)
tidy_data <- data.frame( topic1 = rnorm(10^6),
topic2 = rnorm(10^6),
topic3 = rnorm(10^6),
topic4 = rnorm(10^6),
topic5 = rnorm(10^6))
tidy_data %>%
melt(measure.vars = c("topic1","topic2","topic3","topic4","topic5")) %>%
group_by(variable) %>%
summarise( MIN = min(value),
Q1 = quantile(value, 0.25),
Q2 = median(value),
Q3 = quantile(value, 0.75),
MAX = max(value))
我想知道如何在DataFrame
中的分布式数据框架(Spark的sparkR
对象)上再现这样的操作。我已经设法计算每个变量的最大值但是不够优雅办法。有没有办法以有效和顺畅的方式做到这一点?
我的sparkR
代码如下:
system.time({
print(
head(
summarize(topics5,
MAX5 = max(topics5$topic5),
MAX4 = max(topics5$topic4),
MAX3 = max(topics5$topic3),
MAX2 = max(topics5$topic2),
MAX1 = max(topics5$topic1)
)
)
)
})
答案 0 :(得分:2)
您可以使用SparkR中的describe
方法生成有关数字列的统计信息。例如:
df <- data.frame(a=rnorm(10), b=rnorm(10))
sdf <- createDataFrame(sqlContext, df)
collect(describe(sdf)).
这应该打印计数,平均值,最大值,最小值等