计算spark Dataframe中分组数据的分位数

Question

我有以下 Spark 数据框：

 agent_id|payment_amount|
+--------+--------------+
|       a|          1000|
|       b|          1100|
|       a|          1100|
|       a|          1200|
|       b|          1200|
|       b|          1250|
|       a|         10000|
|       b|          9000|
+--------+--------------+

我的愿望输出将类似于

agen_id   95_quantile
  a          whatever is 95 quantile for agent a payments
  b          whatever is 95 quantile for agent b payments

对于每组agent_id我需要计算0.95分位数，我采取以下方法：

test_df.groupby('agent_id').approxQuantile('payment_amount',0.95)

但我出现以下错误：

'GroupedData' object has no attribute 'approxQuantile'

我需要在新列中添加 0.95 分位数（百分位数），以便稍后用于过滤目的

我使用的是 Spark 2.0.0

Answer 1

一种解决方案是使用percentile_approx：

>>> test_df.registerTempTable("df")
>>> df2 = sqlContext.sql("select agent_id, percentile_approx(payment_amount,0.95) as approxQuantile from df group by agent_id")

>>> df2.show()
# +--------+-----------------+
# |agent_id|   approxQuantile|
# +--------+-----------------+
# |       a|8239.999999999998|
# |       b|7449.999999999998|
# +--------+-----------------+ 

注意 1： 此解决方案已使用 spark 1.6.2 进行测试，需要HiveContext。

注意 2 ： approxQuantile 在 Spark pyspark。

注意 3： percentile 返回组中数值列（包括浮点类型）的近似第 p 个百分位数。当 col 中不同值的数量小于第二个参数值时，这将给出一个精确的百分位值。

编辑：来自 Spark 2+，HiveContext 不是必需的。