PySpark groupBy 中的中位数/分位数

Question

我想计算 Spark 数据帧上的组分位数（使用 PySpark）。近似或精确的结果都可以。我更喜欢可以在groupBy/agg 的上下文中使用的解决方案，这样我就可以将它与其他 PySpark 聚合函数混合使用。如果由于某种原因无法做到这一点，那么另一种方法也可以。

This question 是相关的，但没有说明如何将approxQuantile 用作聚合函数。

我也可以访问percentile_approx Hive UDF，但我不知道如何将它用作聚合函数。

为了具体起见，假设我有以下数据框：

from pyspark import SparkContext
import pyspark.sql.functions as f

sc = SparkContext()    

df = sc.parallelize([
    ['A', 1],
    ['A', 2],
    ['A', 3],
    ['B', 4],
    ['B', 5],
    ['B', 6],
]).toDF(('grp', 'val'))

df_grp = df.groupBy('grp').agg(f.magic_percentile('val', 0.5).alias('med_val'))
df_grp.show()

预期结果是：

+----+-------+
| grp|med_val|
+----+-------+
|   A|      2|
|   B|      5|
+----+-------+

Answer 1

pyspark >= 3.1.0使用percentile_approx似乎完全解决了

import pyspark.sql.functions as func    

df.groupBy("grp").agg(func.percentile_approx("val", 0.5).alias("median"))

有关详细信息，请参阅： https://spark.apache.org/docs/3.1.1/api/python/reference/api/pyspark.sql.functions.percentile_approx.html

Answer 2

（更新：现在是可能的，请参阅上面接受的答案）

---

不幸的是，据我所知，使用“纯”PySpark 命令似乎无法做到这一点（Shaido 的解决方案提供了 SQL 的解决方法），原因很简单：相比之下与其他聚合函数，例如mean，approxQuantile 不返回Column 类型，而是一个列表。

让我们看一个带有示例数据的简单示例：

spark.version
# u'2.2.0'

import pyspark.sql.functions as func
from pyspark.sql import DataFrameStatFunctions as statFunc

# aggregate with mean works OK:
df_grp_mean = df.groupBy('grp').agg(func.mean(df['val']).alias('mean_val'))
df_grp_mean.show()
# +---+--------+ 
# |grp|mean_val|
# +---+--------+
# |  B|     5.0|
# |  A|     2.0|
# +---+--------+

# try aggregating by median:
df_grp_med = df.groupBy('grp').agg(statFunc(df).approxQuantile('val', [0.5], 0.1))
# AssertionError: all exprs should be Column

# mean aggregation is a Column, but median is a list:

type(func.mean(df['val']))
# pyspark.sql.column.Column

type(statFunc(df).approxQuantile('val', [0.5], 0.1))
# list

我怀疑基于窗口的方法会有什么不同，因为正如我所说，根本原因是非常基本的。

有关更多详细信息，另请参阅my answer here。

Answer 3

“percentile_approx(val, 0.5)”的问题： 如果例如范围为 [1,2,3,4] 此函数返回 2（作为中位数）下面的函数返回 2.5：

import statistics

median_udf = F.udf(lambda x: statistics.median(x) if bool(x) else None, DoubleType())

... .groupBy('something').agg(median_udf(F.collect_list(F.col('value'))).alias('median'))

Answer 4

我猜你不再需要它了。但会留在这里留给后代（即下周我忘记的时候）。

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

grp_window = Window.partitionBy('grp')
magic_percentile = F.expr('percentile_approx(val, 0.5)')

df.withColumn('med_val', magic_percentile.over(grp_window))

或者为了准确解决您的问题，这也有效：

df.groupBy('grp').agg(magic_percentile.alias('med_val'))

作为奖励，您可以传递一组百分位数：

quantiles = F.expr('percentile_approx(val, array(0.25, 0.5, 0.75))')

你会得到一个列表作为回报。

Answer 5

使用pyspark==2.4.5 执行此操作的最简单方法是：

df \
    .groupby('grp') \
    .agg(expr('percentile(val, array(0.5))')[0].alias('50%')) \
    .show()

输出：

|grp|50%|
+---+---+
|  B|5.0|
|  A|2.0|
+---+---+

Answer 6

由于您可以访问percentile_approx，一个简单的解决方案是在SQL 命令中使用它：

from pyspark.sql import SQLContext
sqlContext = SQLContext(sc)

df.registerTempTable("df")
df2 = sqlContext.sql("select grp, percentile_approx(val, 0.5) as med_val from df group by grp")