Question

我刚接触在Python中使用Spark并且无法解决此问题：在groupBy上运行pyspark.sql.dataframe.DataFrame后

df = sqlsc.read.json("data.json")
df.groupBy('teamId')

如何在不更换的情况下从每个结果组中选择N个随机样本（按teamId分组）？

我基本上是在尝试从每个团队中选择N随机用户，可能使用groupBy开头是错误的吗？

Answer 1

嗯，这有点不对劲。 GroupedData并非真正设计用于数据访问。它只描述了分组标准并提供了聚合方法。有关详细信息，请参阅我对Using groupBy in Spark and getting back to a DataFrame的回答。

这个想法的另一个问题是选择N random samples。这是一项很难在没有数据心理分组的情况下并行实现的任务，当call分组在DataFrame上时，不会发生这种情况：

至少有两种方法可以解决这个问题：

转换为RDD，groupBy并执行本地采样

import random

n = 3

def sample(iter, n): 
    rs = random.Random()  # We should probably use os.urandom as a seed
    return rs.sample(list(iter), n)    

df = sqlContext.createDataFrame(
    [(x, y, random.random()) for x in (1, 2, 3) for y in "abcdefghi"], 
    ("teamId", "x1", "x2"))

grouped = df.rdd.map(lambda row: (row.teamId, row)).groupByKey()

sampled = sqlContext.createDataFrame(
    grouped.flatMap(lambda kv: sample(kv[1], n)))

sampled.show()

## +------+---+-------------------+
## |teamId| x1|                 x2|
## +------+---+-------------------+
## |     1|  g|   0.81921738561455|
## |     1|  f| 0.8563875814036598|
## |     1|  a| 0.9010425238735935|
## |     2|  c| 0.3864428179837973|
## |     2|  g|0.06233470405822805|
## |     2|  d|0.37620872770129155|
## |     3|  f| 0.7518901502732027|
## |     3|  e| 0.5142305439671874|
## |     3|  d| 0.6250620479303716|
## +------+---+-------------------+

使用窗口函数

from pyspark.sql import Window
from pyspark.sql.functions import col, rand, rowNumber

w = Window.partitionBy(col("teamId")).orderBy(col("rnd_"))

sampled = (df
    .withColumn("rnd_", rand())  # Add random numbers column
    .withColumn("rn_", rowNumber().over(w))  # Add rowNumber over windw
    .where(col("rn_") <= n)  # Take n observations
    .drop("rn_")  # drop helper columns
    .drop("rnd_"))

sampled.show()

## +------+---+--------------------+
## |teamId| x1|                  x2|
## +------+---+--------------------+
## |     1|  f|  0.8563875814036598|
## |     1|  g|    0.81921738561455|
## |     1|  i|  0.8173912535268248|
## |     2|  h| 0.10862995810038856|
## |     2|  c|  0.3864428179837973|
## |     2|  a|  0.6695356657072442|
## |     3|  b|0.012329360826023095|
## |     3|  a|  0.6450777858109182|
## |     3|  e|  0.5142305439671874|
## +------+---+--------------------+

但我担心两者都会相当昂贵。如果各个组的大小平衡且相对较大，我只需使用DataFrame.randomSplit。

如果群组数量相对较少，则可以尝试其他方式：

from pyspark.sql.functions import count, udf
from pyspark.sql.types import BooleanType
from operator import truediv

counts = (df
    .groupBy(col("teamId"))
    .agg(count("*").alias("n"))
    .rdd.map(lambda r: (r.teamId, r.n))
    .collectAsMap()) 

# This defines fraction of observations from a group which should
# be taken to get n values 
counts_bd = sc.broadcast({k: truediv(n, v) for (k, v) in counts.items()})

to_take = udf(lambda k, rnd: rnd <= counts_bd.value.get(k), BooleanType())

sampled = (df
    .withColumn("rnd_", rand())
    .where(to_take(col("teamId"), col("rnd_")))
    .drop("rnd_"))

sampled.show()

## +------+---+--------------------+
## |teamId| x1|                  x2|
## +------+---+--------------------+
## |     1|  d| 0.14815204548854788|
## |     1|  f|  0.8563875814036598|
## |     1|  g|    0.81921738561455|
## |     2|  a|  0.6695356657072442|
## |     2|  d| 0.37620872770129155|
## |     2|  g| 0.06233470405822805|
## |     3|  b|0.012329360826023095|
## |     3|  h|  0.9022527556458557|
## +------+---+--------------------+

在Spark 1.5+中，您可以通过调用udf方法替换sampleBy：

df.sampleBy("teamId", counts_bd.value)

它不能给出确切的观察数量，但是大多数时候应该足够好，只要每组的观察数量足够大以获得适当的样本。您也可以以类似的方式在RDD上使用sampleByKey。

Answer 2

我发现这又是一个数据框架，而不是进入rdd方式。

您可以使用window函数在组内创建排名，排名可以是随机的，以适合您的情况。然后，您可以根据每个组所需的样本(N)的数量进行过滤

window_1 = Window.partitionBy(data['teamId']).orderBy(F.rand())
data_1 = data.select('*', F.rank().over(window_1).alias('rank')).filter(F.col('rank') <= N).drop('rank')

从Spark GroupedData对象中选择随机项

2 个答案: