PySpark DataFrame 上分组数据的 Pandas 风格转换

Question

如果我们有一个由一列类别和一列值组成的 Pandas 数据框，我们可以通过执行以下操作来删除每个类别中的平均值：

df["DemeanedValues"] = df.groupby("Category")["Values"].transform(lambda g: g - numpy.mean(g))

据我了解，Spark 数据帧不直接提供这种分组/转换操作（我在 Spark 1.5.0 上使用 PySpark）。那么，实现这种计算的最佳方法是什么？

我尝试使用 group-by/join 如下：

df2 = df.groupBy("Category").mean("Values")
df3 = df2.join(df)

但它非常慢，因为据我了解，每个类别都需要对 DataFrame 进行全面扫描。

我认为（但尚未验证）如果我将 group-by/mean 的结果收集到字典中，然后在 UDF 中使用该字典，如下所示：

nameToMean = {...}
f = lambda category, value: value - nameToMean[category]
categoryDemeaned = pyspark.sql.functions.udf(f, pyspark.sql.types.DoubleType())
df = df.withColumn("DemeanedValue", categoryDemeaned(df.Category, df.Value))

有没有一种惯用的方式来表达这种类型的操作而不牺牲性能？

Answer 1

您可以使用Window 来执行此操作

即

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

window_var = Window().partitionBy('Categroy')
df = df.withColumn('DemeanedValues', F.col('Values') - F.mean('Values').over(window_var))

Answer 2

实际上，在 Spark 中有一种惯用的方式来执行此操作，使用 Hive OVER 表达式。

即

df.registerTempTable('df')
with_category_means = sqlContext.sql('select *, mean(Values) OVER (PARTITION BY Category) as category_mean from df')

在底层，这是使用窗口函数。不过，我不确定这是否比您的解决方案更快

Answer 3

我了解，每个类别都需要对 DataFrame 进行全面扫描。

不，它没有。 DataFrame 聚合使用类似于aggregateByKey 的逻辑执行。请参阅DataFrame groupBy behaviour/optimization 较慢的部分是join，它需要排序/改组。但它仍然不需要按组扫描。

如果这是您使用的确切代码，它会很慢，因为您没有提供连接表达式。因此，它只是执行笛卡尔积。所以它不仅效率低，而且不正确。你想要这样的东西：

from pyspark.sql.functions import col

means = df.groupBy("Category").mean("Values").alias("means")
df.alias("df").join(means, col("df.Category") == col("means.Category"))

我认为（但尚未验证）如果我将 group-by/mean 的结果收集到字典中，然后在 UDF 中使用该字典，我可以大大加快速度

这是可能的，尽管性能会因具体情况而异。使用 Python UDF 的一个问题是它必须将数据移入和移出 Python。尽管如此，它绝对值得一试。不过，您应该考虑为nameToMean 使用广播变量。

有没有一种惯用的方式来表达这种类型的操作而不牺牲性能？

在 PySpark 1.6 中，您可以使用 broadcast 函数：

df.alias("df").join(
    broadcast(means), col("df.Category") == col("means.Category"))

但它在