sparkR 1.4.0中的聚合统计信息

时间:2015-07-16 15:04:01

标签: r apache-spark sparkr

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)
                                )
            )
        )
    })

1 个答案:

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