Найдите процентили значений из распределений категорий в PySpark

У меня есть следующий фрейм данных PySpark (скажем, df). В нем есть столбцы name, timestamp, category и value.

+------+-------------------+--------+-----+
|  name|          timestamp|category|value|
+------+-------------------+--------+-----+
| name1|2019-01-17 00:00:00|       A|11.23|
| name2|2019-01-17 00:00:00|       A|14.57|
| name3|2019-01-10 00:00:00|       B| 2.21|
| name4|2019-01-10 00:00:00|       B| 8.76|
| name5|2019-01-17 00:00:00|       A|18.71|
| name6|2019-01-10 00:00:00|       A|17.78|
| name7|2019-01-10 00:00:00|       A| 5.52|
| name8|2019-01-10 00:00:00|       A| 9.91|
| name9|2019-01-17 00:00:00|       B| 1.16|
|name10|2019-01-17 00:00:00|       B| 12.0|
+------+-------------------+--------+-----+

Я хочу добавить новый столбец в вышеупомянутый фрейм данных, который дает мне процентильное положение значений каждого имени в распределениях, которые включают элементы тех же category и timestamp.

Мой ожидаемый результат следующий:

+------+-------------------+--------+-----+---------+
|name  |timestamp          |category|value|pct_value|
+------+-------------------+--------+-----+---------+
|name1 |2019-01-17 00:00:00|A       |11.23|1        |
|name10|2019-01-17 00:00:00|B       |12.0 |2        |
|name2 |2019-01-17 00:00:00|A       |14.57|2        |
|name3 |2019-01-10 00:00:00|B       |2.21 |1        |
|name4 |2019-01-10 00:00:00|B       |8.76 |2        |
+------+-------------------+--------+-----+---------+
only showing top 5 rows

Как лучше всего это сделать?

Я пробовал следующее:

import pyspark.sql.functions as F
from pyspark.sql import Window as W

w_cat = W.partitionBy('category', 'timestamp').orderBy("value")

df_new = ( df.select( '*', F.ntile(1000).over(w_cat).alias( 'pct_value' ) ) ).persist()


df_new.orderBy('name', 'timestamp').show(5,False)

Это дает правильный ожидаемый результат. Но этот метод занимает очень много времени (часы), когда я пробую его на своих фактических данных, которые содержат миллионы строк.

Вы можете сгенерировать фрейм данных, указанный выше (df), используя приведенный ниже код:

Stats = Row("name", "timestamp", "category", "value")

stat1 = Stats('name1', "2019-01-17 00:00:00", "A", 11.23)
stat2 = Stats('name2', "2019-01-17 00:00:00", "A", 14.57)
stat3 = Stats('name3', "2019-01-10 00:00:00", "B", 2.21)
stat4 = Stats('name4', "2019-01-10 00:00:00", "B", 8.76)
stat5 = Stats('name5', "2019-01-17 00:00:00", "A", 18.71)
stat6 = Stats('name6', "2019-01-10 00:00:00", "A", 17.78)
stat7 = Stats('name7', "2019-01-10 00:00:00", "A", 5.52)
stat8 = Stats('name8', "2019-01-10 00:00:00", "A", 9.91)
stat9 = Stats('name9', "2019-01-17 00:00:00", "B", 1.16)
stat10 = Stats('name10', "2019-01-17 00:00:00", "B", 12.0)

stat_lst = [stat1 , stat2, stat3, stat4, stat5, stat6, stat7, stat8, stat9, stat10]
df = spark.createDataFrame(stat_lst)

python pandas pyspark pyspark-dataframes pyspark-sql
person Siddharth Satpathy    schedule 16.10.2019    source источник

Ответы (1)


arrow_upward
1
arrow_downward

Вы можете попробовать percentile_approx работать.

from pyspark.sql import Window
import pyspark.sql.functions as F

grp_window = Window.partitionBy('name')
# For median, i.e. 0.5 quantile
magic_percentile = F.expr('percentile_approx(val, 0.5)')

df.withColumn('pct_value', magic_percentile.over(grp_window))
# OR 
df.groupBy('name').agg(magic_percentile.alias('pct_value'))

Вы также можете использовать функцию percent_rank:

df.select('pct_value', percent_rank().over(w).alias("percentile"))\
    .where('percentile == 0.6').show()

Вы также можете передать массив процентилей, но уловка здесь в том, что вы получите взамен list:

quantiles = F.expr('percentile_approx(val, array(0.25, 0.5, 0.75))')
person pissall    schedule 16.10.2019