从 PySpark 数据框中选择随机行

Sid*_*thy 5 python pandas apache-spark-sql pyspark

我想从 PySpark 数据帧(最好以新的 PySpark 数据帧的形式)中选择 n 随机行(无需替换)。做这个的最好方式是什么?

以下是包含十行的数据框的示例。

+-----+-------------------+-----+
| name|          timestamp|value|
+-----+-------------------+-----+
|name1|2019-01-17 00:00:00|11.23|
|name2|2019-01-17 00:00:00|14.57|
|name3|2019-01-10 00:00:00| 2.21|
|name4|2019-01-10 00:00:00| 8.76|
|name5|2019-01-17 00:00:00|18.71|
|name5|2019-01-10 00:00:00|17.78|
|name4|2019-01-10 00:00:00| 5.52|
|name3|2019-01-10 00:00:00| 9.91|
|name1|2019-01-17 00:00:00| 1.16|
|name2|2019-01-17 00:00:00| 12.0|
+-----+-------------------+-----+
Run Code Online (Sandbox Code Playgroud)

上面给出的数据框是使用以下代码生成的:

from pyspark.sql import *

df_Stats = Row("name", "timestamp", "value")

df_stat1 = df_Stats('name1', "2019-01-17 00:00:00", 11.23)
df_stat2 = df_Stats('name2', "2019-01-17 00:00:00", 14.57)
df_stat3 = df_Stats('name3', "2019-01-10 00:00:00", 2.21)
df_stat4 = df_Stats('name4', "2019-01-10 00:00:00", 8.76)
df_stat5 = df_Stats('name5', "2019-01-17 00:00:00", 18.71)
df_stat6 = df_Stats('name5', "2019-01-10 00:00:00", 17.78)
df_stat7 = df_Stats('name4', "2019-01-10 00:00:00", 5.52)
df_stat8 = df_Stats('name3', "2019-01-10 00:00:00", 9.91)
df_stat9 = df_Stats('name1', "2019-01-17 00:00:00", 1.16)
df_stat10 = df_Stats('name2', "2019-01-17 00:00:00", 12.0)

df_stat_lst = [df_stat1 , df_stat2, df_stat3, df_stat4, df_stat5,
               df_stat6, df_stat7, df_stat8, df_stat9, df_stat10]
df = spark.createDataFrame(df_stat_lst)
Run Code Online (Sandbox Code Playgroud)

sed*_*idw 8

sample上有一个方法pyspark.sql.DataFrame。这里的文档应该会有帮助。

用法:

df.sample(withReplacement=False, fraction=desired_fraction)
Run Code Online (Sandbox Code Playgroud)

  • 尽管这个答案已被接受,但任何寻求选择“精确”n行的解决方案的人都可以在这里查看:/sf/ask/2831803411/ rows-from-dataframe/69539938 或此处:/sf/ask/2380232011/ (4认同)