我在Spark 2中有一个数据框,如下所示,用户有50到数千个帖子。我想创建一个新的数据框,其中包含原始数据框中的所有用户,但每个用户只有5个随机抽样的帖子。
+--------+--------------+--------------------+
| user_id| post_id| text|
+--------+--------------+--------------------+
|67778705|44783131591473|some text...........|
|67778705|44783134580755|some text...........|
|67778705|44783136367108|some text...........|
|67778705|44783136970669|some text...........|
|67778705|44783138143396|some text...........|
|67778705|44783155162624|some text...........|
|67778705|44783688650554|some text...........|
|68950272|88655645825660|some text...........|
|68950272|88651393135293|some text...........|
|68950272|88652615409812|some text...........|
|68950272|88655744880460|some text...........|
|68950272|88658059871568|some text...........|
|68950272|88656994832475|some text...........|
+--------+--------------+--------------------+
像posts.groupby('user_id').agg(sample('post_id'))
之类的东西,但在pyspark中没有这样的功能。
有什么建议吗?
更新
这个问题与另一个密切相关的问题stratified-sampling-in-spark有两点不同:
我还更新了问题的标题以澄清这一点。
答案 0 :(得分:10)
您可以对input
http://spark.apache.org/docs/latest/api/python/pyspark.sql.html#pyspark.sql.DataFrame.sampleBy
.sampleBy(...)
方法
这是一个有效的例子:
DataFrames
答案 1 :(得分:4)
使用sampleBy
将导致近似解决方案。这是一种替代方法,比上述方法更加晦涩,但总是产生完全相同的样本大小。
import org.apache.spark.sql.functions.row_number
import org.apache.spark.sql.expressions.Window
df.withColumn("row_num",row_number().over(Window.partitionBy($"user_id").orderBy($"something_random"))
如果您还没有随机ID,则可以使用org.apache.spark.sql.functions.rand
创建一个具有随机值的列,以保证您的随机抽样。