Question

我正在尝试使用类似于

的数据框中的列进行直方图

DataFrame[C0: int, C1: int, ...]

如果我要用C1列进行直方图，我该怎么办？

我尝试过的一些事情是

df.groupBy("C1").count().histogram()
df.C1.countByValue()

由于数据类型不匹配而无法正常工作。

Answer 1

您可以使用histogram_numeric Hive UDAF：

import random

random.seed(323)

sqlContext = HiveContext(sc)
n = 3  # Number of buckets
df = sqlContext.createDataFrame(
    sc.parallelize(enumerate(random.random() for _ in range(1000))),
   ["id", "v"]
)

hists = df.selectExpr("histogram_numeric({0}, {1})".format("v", n))

hists.show(1, False)
## +------------------------------------------------------------------------------------+
## |histogram_numeric(v,3)                                                              |
## +------------------------------------------------------------------------------------+
## |[[0.2124888140177466,415.0], [0.5918851340384337,330.0], [0.8890271451209697,255.0]]|
## +------------------------------------------------------------------------------------+

您还可以提取感兴趣的列并在histogram上使用RDD方法：

df.select("v").rdd.flatMap(lambda x: x).histogram(n)
## ([0.002028109534323752,
##  0.33410233677189705,
##  0.6661765640094703,
##  0.9982507912470436],
## [327, 326, 347])

Answer 2

对我有用的是

df.groupBy("C1").count().rdd.values().histogram()

我必须转换为RDD，因为我在pyspark.RDD类中找到了histogram方法，但在spark.SQL模块中找不到

Answer 3

@Chris van den Berg提到的pyspark_dist_explore包非常好。如果您不想添加其他依赖项，可以使用这段代码绘制简单的直方图。

import matplotlib.pyplot as plt
# Show histogram of the 'C1' column
bins, counts = df.select('C1').rdd.flatMap(lambda x: x).histogram(20)

# This is a bit awkward but I believe this is the correct way to do it 
plt.hist(bins[:-1], bins=bins, weights=counts)

Answer 4

假设您在C1中的值介于1-1000之间，您希望获得10个分箱的直方图。你可以这样做： df.withColumn（“bins”，df.C1 / 100）.groupBy（“bins”）。count（）如果您的分箱更复杂，您可以为它制作UDF（更糟糕的是，您可能需要先分析该列，例如使用describe或其他方法）。

Answer 5

如果您想绘制直方图，可以使用pyspark_dist_explore包：

fig, ax = plt.subplots()
hist(ax, df.groupBy("C1").count().select("count"))

如果您想要pandas DataFrame中的数据，可以使用：

pandas_df = pandas_histogram(df.groupBy("C1").count().select("count"))

Answer 6

一种简单的方法可能是

import pandas as pd
x = df.select('symboling').toPandas()  # symboling is the column for histogram
x.plot(kind='hist')

使用Spark DataFrame列制作直方图

6 个答案: