修改

Question

我有一张像

这样的表格

+---------------+------+
|id             | value|
+---------------+------+
|               1|118.0|
|               2|109.0|
|               3|113.0|
|               4| 82.0|
|               5| 60.0|
|               6|111.0|
|               7|107.0|
|               8| 84.0|
|               9| 91.0|
|              10|118.0|
+---------------+------+

ans希望将值聚合或bin到范围0,10,20,30,40,...80,90,100,110,120如何在SQL或更具体的spark sql中执行此操作？

目前我有一个横向视图连接范围，但这似乎相当笨拙/低效。

离散化的分位数并不是我想要的，而是具有此范围的CUT。

修改

https://github.com/collectivemedia/spark-ext/blob/master/sparkext-mllib/src/main/scala/org/apache/spark/ml/feature/Binning.scala会执行动态垃圾箱，但我宁愿需要这个指定范围。

Answer 1

在一般情况下，可以使用org.apache.spark.ml.feature.Bucketizer：

执行静态装箱

val df = Seq(
  (1, 118.0), (2, 109.0), (3, 113.0), (4, 82.0), (5, 60.0),
  (6, 111.0), (7, 107.0), (8,  84.0), (9, 91.0), (10, 118.0)
).toDF("id", "value")

val splits = (0 to 12).map(_ * 10.0).toArray

import org.apache.spark.ml.feature.Bucketizer
val bucketizer = new Bucketizer()
  .setInputCol("value")
  .setOutputCol("bucket")
  .setSplits(splits)

val bucketed = bucketizer.transform(df)

val solution = bucketed.groupBy($"bucket").agg(count($"id") as "count")

结果：

scala> solution.show
+------+-----+
|bucket|count|
+------+-----+
|   8.0|    2|
|  11.0|    4|
|  10.0|    2|
|   6.0|    1|
|   9.0|    1|
+------+-----+

当值位于定义的分箱之外时，bucketizer会抛出错误。可以将分割点定义为Double.NegativeInfinity或Double.PositiveInfinity以捕获异常值。

Bucketizer旨在通过对正确的存储桶执行二进制搜索来有效地处理任意拆分。对于像你这样的常规垃圾箱，人们可以简单地做一些事情：

val binned = df.withColumn("bucket", (($"value" - bin_min) / bin_width) cast "int")

其中bin_min和bin_width分别是最小bin和bin宽度的左边区间。

Answer 2

尝试＆＃34; GROUP BY＆＃34;用这个

SELECT id, (value DIV 10)*10 FROM table_name ;

以下内容将使用Scala的数据集API：

df.select(('value divide 10).cast("int")*10)

如何将数据汇总到范围（bucketize）？

修改

2 个答案: