我正在为Pyspark中的分类器准备输入数据。我一直在SparkSQL中使用聚合函数来提取平均值和方差等功能。这些按活动,名称和窗口分组。窗口的计算方法是将unix时间戳除以10000,然后分成10秒的时间窗口。
sample = sqlContext.sql("SELECT activity, name, window, avg(acc_x) as avgX , variance(acc_x) as varX FROM data GROUP BY activity,name,window ORDER BY activity,name,window")
结果看起来像是
Activity Name Window AvgX VarX
Walk accelerometer 95875 2.0 1.0
我现在要做的是计算X中每个点的平均斜率。
对此我需要时间戳,窗口和X.我已经在Python中实现了逻辑,使用数组,这就是它的样子 - 计算每个点之间的斜率,然后获得平均斜率。理想情况下,我想在UDAF中这样做,Pyspark尚不支持。 (看起来像这样,如果下面的函数被称为斜率。那么在sql中你可以做slope(timestamp, X) as avgSlopeX
编辑 - 更改输入以使其更清晰。 所以,我正在做的就是计算每个点之间的斜率,然后返回该窗口中斜率的平均值。所以,当我得到每个窗口的平均值和方差时,我也希望得到平均斜率。
#sample input
timestamp = [1464703425544,1464703426534,1464703427551,1464703428587,1464703429512,1464703430493,1464703431505,1464703432543,1464703433513,1464703434529]
values = [1021.31,1021.26,1021.19,1021.19,1021.1,1021.1,1021.1, 1021.05,1021.02]
i = 0;
slope = 0.0;
totalSlope = 0.0;
while (i < len(timestamp) - 1):
y2 = values[i+1];
y1 = values[i];
x2 = timestamp[i + 1];
x1 = timestamp[i];
slope = ((y2-y1)/(x2-x1));
totalSlope = totalSlope + slope;
i=i+1
avgSlope = (totalSlope/len(x_values))
我该如何实现?我应该尝试转换为pandas数据帧然后转换为numpy数组吗?如果是这样,我怎样才能确保数据仍然正确映射,记住在CSS查询中的GROUP BY活动,名称窗口。
答案 0 :(得分:5)
一般来说,这不是UDAF的工作,因为UDAF没有提供任何定义订单的方法。看起来你真正需要的是窗口函数和标准聚合的一些组合。
from pyspark.sql.functions import col, lag, avg
from pyspark.sql.window import Window
df = ...
## DataFrame[activity: string, name: string, window: bigint,
## timestamp: bigint, value: float]
group = ["activity", "name", "window"]
w = (Window()
.partitionBy(*group)
.orderBy("timestamp"))
v_diff = col("value") - lag("value", 1).over(w)
t_diff = col("timestamp") - lag("timestamp", 1).over(w)
slope = v_diff / t_diff
df.withColumn("slope", slope).groupBy(*group).agg(avg(col("slope")))