PySpark：一步计算平均值，标准偏差和平均值附近的那些值

Question

我的原始数据采用表格格式。它包含来自不同变量的观察结果。每个观察带有变量名，时间戳和当时的值。

变量[string]，时间[datetime]，值[float]

数据作为Parquet存储在HDFS中，并加载到Spark Dataframe（df）中。从该数据帧。

现在，我想为每个变量计算默认统计信息，例如均值，标准偏差和其他统计信息。之后，一旦检索到均值，我便要过滤/计算那些与均值紧密相关的变量的值。

由于对其他问题的回答，我想到了以下代码：

from pyspark.sql.window import Window
from pyspark.sql.functions import *
from pyspark.sql.types import *

w1 = Window().partitionBy("Variable")
w2 = Window.partitionBy("Variable").orderBy("Time")

def stddev_pop_w(col, w):
    #Built-in stddev doesn't support windowing
    return sqrt(avg(col * col).over(w) - pow(avg(col).over(w), 2))

def isInRange(value, mean, stddev, radius):
    try:
        if (abs(value - mean) < radius * stddev):
            return 1
        else:
            return 0
    except AttributeError:
        return -1

delta = col("Time").cast("long") - lag("Time", 1).over(w2).cast("long")
#f = udf(lambda (value, mean, stddev, radius): abs(value - mean) < radius * stddev, IntegerType())
#f2 = udf(lambda value, mean, stddev: isInRange(value, mean, stddev, 2), IntegerType())
#f3 = udf(lambda value, mean, stddev: isInRange(value, mean, stddev, 3), IntegerType())

df_ = df_all \
    .withColumn("mean", mean("Value").over(w1)) \
    .withColumn("std_deviation", stddev_pop_w(col("Value"), w1)) \
    .withColumn("delta", delta) \
#    .withColumn("stddev_2", f2("Value", "mean", "std_deviation")) \
#    .withColumn("stddev_3", f3("Value", "mean", "std_deviation")) \

#df2.show(5, False)

问题：最后两行注释行不起作用。因为stddev和mean的传入值为null，所以它将给出AttributeError。我猜发生这种情况是因为我指的是那些也是即时计算的列，当时没有任何价值。但是有办法实现吗？

目前，我正在像这样进行第二次跑步：

df = df_.select("*", \
    abs(df_.Value - df_.mean).alias("max_deviation_mean"), \
    when(abs(df_.Value - df_.mean) < 2 * df_.std_deviation, 1).otherwise(1).alias("std_dev_mean_2"), \
    when(abs(df_.Value - df_.mean) < 3 * df_.std_deviation, 1).otherwise(1).alias("std_dev_mean_3"))

Answer 1

解决方案是使用DataFrame.aggregateByKey函数，该函数将每个分区和节点的值聚合在一起，然后将这些聚合值组合到计算节点上，在此将它们组合为一个结果值。

伪代码看起来像这样。它受本教程的启发，但是尽管我们一次汇总了两个不同的统计信息，但它使用了StatCounter的两个实例：

from pyspark.statcounter import StatCounter
# value[0] is the timestamp and value[1] is the float-value
# we are using two instances of StatCounter to sum-up two different statistics

def mergeValues(s1, v1, s2, v2):
    s1.merge(v1)
    s2.merge(v2)
    return

def combineStats(s1, s2):
    s1[0].mergeStats(s2[0])
    s1[1].mergeStats(s2[1])
    return
(df.aggregateByKey((StatCounter(), StatCounter()),
        (lambda s, values: mergeValues(s[0], values[0], s[1], values[1]),
        (lambda s1, s2: combineStats(s1, s2))
    .mapValues(lambda s: (  s[0].min(), s[0].max(), s[1].max(), s[1].min(), s[1].mean(), s[1].variance(), s[1].stddev,() s[1].count()))
    .collect())