从Spark GroupedData对象中选择随机项

Question

我是新来使用Python中Spark和一直未能解决这个问题:运行后groupBy在pyspark.sql.dataframe.DataFrame

df = sqlsc.read.json("data.json")
df.groupBy('teamId')

如何N从每个结果组中选择随机样本(按teamId分组)而无需替换？

我基本上试图N从每个团队中选择随机用户,也许使用groupBy错误开始？

Answer 1

嗯,这有点不对劲.GroupedData并不是真正设计用于数据访问.它只描述了分组标准并提供了聚合方法.请参阅我在Spark中使用groupBy并回到DataFrame以获取更多详细信息的答案.

这个想法的另一个问题是选择N random samples.这是一项很难在没有数据心理分组的情况下并行实现的任务,当你call在以下情况下分组时,它不会发生DataFrame:

至少有两种方法可以解决这个问题:

• 转换为RDD,groupBy并执行本地采样

  import random
  
  n = 3
  
  def sample(iter, n): 
      rs = random.Random()  # We should probably use os.urandom as a seed
      return rs.sample(list(iter), n)    
  
  df = sqlContext.createDataFrame(
      [(x, y, random.random()) for x in (1, 2, 3) for y in "abcdefghi"], 
      ("teamId", "x1", "x2"))
  
  grouped = df.rdd.map(lambda row: (row.teamId, row)).groupByKey()
  
  sampled = sqlContext.createDataFrame(
      grouped.flatMap(lambda kv: sample(kv[1], n)))
  
  sampled.show()
  
  ## +------+---+-------------------+
  ## |teamId| x1|                 x2|
  ## +------+---+-------------------+
  ## |     1|  g|   0.81921738561455|
  ## |     1|  f| 0.8563875814036598|
  ## |     1|  a| 0.9010425238735935|
  ## |     2|  c| 0.3864428179837973|
  ## |     2|  g|0.06233470405822805|
  ## |     2|  d|0.37620872770129155|
  ## |     3|  f| 0.7518901502732027|
  ## |     3|  e| 0.5142305439671874|
  ## |     3|  d| 0.6250620479303716|
  ## +------+---+-------------------+
  

• 使用窗口函数

  from pyspark.sql import Window
  from pyspark.sql.functions import col, rand, rowNumber
  
  w = Window.partitionBy(col("teamId")).orderBy(col("rnd_"))
  
  sampled = (df
      .withColumn("rnd_", rand())  # Add random numbers column
      .withColumn("rn_", rowNumber().over(w))  # Add rowNumber over windw
      .where(col("rn_") <= n)  # Take n observations
      .drop("rn_")  # drop helper columns
      .drop("rnd_"))
  
  sampled.show()
  
  ## +------+---+--------------------+
  ## |teamId| x1|                  x2|
  ## +------+---+--------------------+
  ## |     1|  f|  0.8563875814036598|
  ## |     1|  g|    0.81921738561455|
  ## |     1|  i|  0.8173912535268248|
  ## |     2|  h| 0.10862995810038856|
  ## |     2|  c|  0.3864428179837973|
  ## |     2|  a|  0.6695356657072442|
  ## |     3|  b|0.012329360826023095|
  ## |     3|  a|  0.6450777858109182|
  ## |     3|  e|  0.5142305439671874|
  ## +------+---+--------------------+
  

但我担心两者都会相当昂贵.如果单个组的大小是平衡的并且相对较大,我将简单地使用DataFrame.randomSplit.

如果组的数量相对较小,则可以尝试其他方法:

from pyspark.sql.functions import count, udf
from pyspark.sql.types import BooleanType
from operator import truediv

counts = (df
    .groupBy(col("teamId"))
    .agg(count("*").alias("n"))
    .rdd.map(lambda r: (r.teamId, r.n))
    .collectAsMap()) 

# This defines fraction of observations from a group which should
# be taken to get n values 
counts_bd = sc.broadcast({k: truediv(n, v) for (k, v) in counts.items()})

to_take = udf(lambda k, rnd: rnd <= counts_bd.value.get(k), BooleanType())

sampled = (df
    .withColumn("rnd_", rand())
    .where(to_take(col("teamId"), col("rnd_")))
    .drop("rnd_"))

sampled.show()

## +------+---+--------------------+
## |teamId| x1|                  x2|
## +------+---+--------------------+
## |     1|  d| 0.14815204548854788|
## |     1|  f|  0.8563875814036598|
## |     1|  g|    0.81921738561455|
## |     2|  a|  0.6695356657072442|
## |     2|  d| 0.37620872770129155|
## |     2|  g| 0.06233470405822805|
## |     3|  b|0.012329360826023095|
## |     3|  h|  0.9022527556458557|
## +------+---+--------------------+

在Spark 1.5+中,您可以udf使用sampleBy方法调用替换:

df.sampleBy("teamId", counts_bd.value)

只要每组的观察数量足够大以获得适当的样本,它就不会给出确切的观察数量,但在大多数情况下应该足够好.您也可以sampleByKey以类似的方式在RDD上使用.

Answer 2

我发现这是一个更多的数据框，而不是进入 rdd 方式。

您可以使用window函数在组内创建排名，其中排名可以随机以适合您的情况。然后，您可以根据(N)每组所需的样本数进行过滤

window_1 = Window.partitionBy(data['teamId']).orderBy(F.rand())
data_1 = data.select('*', F.rank().over(window_1).alias('rank')).filter(F.col('rank') <= N).drop('rank')