如何计算 RDD[Long] 的标准差和平均值？答案

【问题标题】：How to calculate standard deviation and average values of RDD[Long]?如何计算 RDD[Long] 的标准差和平均值？
【发布时间】：2023-03-12 11:15:01
【问题描述】：

我将RDD[Long] 称为mod，我想使用 Spark 2.2 和 Scala 2.11.8 计算此 RDD 的标准差和平均值。

我该怎么做？

我尝试如下计算平均值，但有没有更简单的方法来获得这些值？

val avg_val = mod.toDF("col").agg(
    avg($"col").as("avg")
).first().toString().toDouble

val stddev_val = mod.toDF("col").agg(
    stddev($"col").as("avg")
).first().toString().toDouble

【问题讨论】：

标签： scala apache-spark apache-spark-sql

【解决方案1】：

我有一个叫做 mod 的 RDD[Long]，我想计算标准差和平均值

只需使用stats:

scala> val mod = sc.parallelize(Seq(1L, 3L, 5L))
mod: org.apache.spark.rdd.RDD[Long] = ParallelCollectionRDD[0] at parallelize at <console>:24

scala> val stats = mod.stats
stats: org.apache.spark.util.StatCounter = (count: 3, mean: 3.000000, stdev: 1.632993, max: 5.000000, min: 1.000000)

scala> stats.mean
res0: Double = 3.0

scala> stats.stdev
res1: Double = 1.632993161855452

它使用与stdev 和mean 相同的内部结构，但只需扫描一次数据。

我推荐Dataset：

val (avg_val, stddev_val) = mod.toDS
  .agg(mean("value"), stddev("value"))
  .as[(Double, Double)].first

或

import org.apache.spark.sql.Row

val Row(avg_val: Double, stddev_val: Double) = mod.toDS
  .agg(mean("value"), stddev("value"))
  .first

但在这里既没有必要也没有用。

【讨论】：

【解决方案2】：

我认为这很简单：

mod.stdev()
mod.mean()

【讨论】：