正在进行的工作
SPARK-30569 https://issues.apache.org/jira/browse/SPARK-30569 - 添加调用percentile_approx 的DSL 函数
火花2.0+:
您可以使用approxQuantile
实现的方法格林沃尔德-卡纳算法 http://infolab.stanford.edu/~datar/courses/cs361a/papers/quantiles.pdf:
Python:
df.approxQuantile("x", [0.5], 0.25)
Scala:
df.stat.approxQuantile("x", Array(0.5), 0.25)
其中最后一个参数是相对误差。数字越低,结果越准确,计算成本也越高。
从 Spark 2.2 开始(SPARK-14352 https://issues.apache.org/jira/browse/SPARK-14352)它支持对多列进行估计:
df.approxQuantile(["x", "y", "z"], [0.5], 0.25)
and
df.approxQuantile(Array("x", "y", "z"), Array(0.5), 0.25)
底层方法也可用于 SQL 聚合(全局和摸索):approx_percentile https://spark.apache.org/docs/latest/api/sql/index.html#approx_percentile功能:
> SELECT approx_percentile(10.0, array(0.5, 0.4, 0.1), 100);
[10.0,10.0,10.0]
> SELECT approx_percentile(10.0, 0.5, 100);
10.0
火花
Python
正如我在评论中提到的,这很可能不值得大惊小怪。如果数据相对较小(就像您的情况一样),则只需在本地收集并计算中位数:
import numpy as np
np.random.seed(323)
rdd = sc.parallelize(np.random.randint(1000000, size=700000))
%time np.median(rdd.collect())
np.array(rdd.collect()).nbytes
在我几年前的电脑和大约 5.5MB 内存上,大约需要 0.01 秒。
如果数据很大,排序将成为一个限制因素,因此与其获取精确值,不如在本地采样、收集和计算。但如果你真的想使用 Spark,这样的东西应该可以解决问题(如果我没有搞砸任何事情):
from numpy import floor
import time
def quantile(rdd, p, sample=None, seed=None):
"""Compute a quantile of order p ∈ [0, 1]
:rdd a numeric rdd
:p quantile(between 0 and 1)
:sample fraction of and rdd to use. If not provided we use a whole dataset
:seed random number generator seed to be used with sample
"""
assert 0 <= p <= 1
assert sample is None or 0 < sample <= 1
seed = seed if seed is not None else time.time()
rdd = rdd if sample is None else rdd.sample(False, sample, seed)
rddSortedWithIndex = (rdd.
sortBy(lambda x: x).
zipWithIndex().
map(lambda (x, i): (i, x)).
cache())
n = rddSortedWithIndex.count()
h = (n - 1) * p
rddX, rddXPlusOne = (
rddSortedWithIndex.lookup(x)[0]
for x in int(floor(h)) + np.array([0L, 1L]))
return rddX + (h - floor(h)) * (rddXPlusOne - rddX)
和一些测试:
np.median(rdd.collect()), quantile(rdd, 0.5)
## (500184.5, 500184.5)
np.percentile(rdd.collect(), 25), quantile(rdd, 0.25)
## (250506.75, 250506.75)
np.percentile(rdd.collect(), 75), quantile(rdd, 0.75)
(750069.25, 750069.25)
最后让我们定义中位数:
from functools import partial
median = partial(quantile, p=0.5)
到目前为止还不错,但在没有任何网络通信的本地模式下需要 4.66 秒。可能有办法改善这一点,但为什么还要麻烦呢?
独立于语言 (蜂巢UDAF):
如果你使用HiveContext
您还可以使用 Hive UDAF。具有整数值:
rdd.map(lambda x: (float(x), )).toDF(["x"]).registerTempTable("df")
sqlContext.sql("SELECT percentile_approx(x, 0.5) FROM df")
对于连续值:
sqlContext.sql("SELECT percentile(x, 0.5) FROM df")
In percentile_approx
您可以传递一个附加参数来确定要使用的记录数。