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?
答案 0 :(得分:15)
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
。
答案 1 :(得分:0)
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')