计算 pyspark 数据框列的百分位数

Question

我有一个 PySpark 数据框，其中包含一个 ID，然后是几个我想为其计算 95% 点的变量。

printSchema() 的一部分：

root
 |-- ID: string (nullable = true)
 |-- MOU_G_EDUCATION_ADULT: double (nullable = false)
 |-- MOU_G_EDUCATION_KIDS: double (nullable = false)

我找到了 How to derive Percentile using Spark Data frame and GroupBy in python，但是失败并显示一条错误消息：

perc95_udf = udf(lambda x: x.quantile(.95))


fanscores = genres.withColumn("P95_MOU_G_EDUCATION_ADULT", perc95_udf('MOU_G_EDUCATION_ADULT')) \
                      .withColumn("P95_MOU_G_EDUCATION_KIDS", perc95_udf('MOU_G_EDUCATION_KIDS'))

fanscores.take(2)

AttributeError: 'float' 对象没有属性 'quantile'

我已经尝试过的其他 UDF 试验：

def percentile(quantiel,kolom):
    x=np.array(kolom)
    perc=np.percentile(x, quantiel)
    return perc

percentile_udf = udf(percentile, LongType())


fanscores = genres.withColumn("P95_MOU_G_EDUCATION_ADULT", percentile_udf(quantiel=95, kolom=genres.MOU_G_EDUCATION_ADULT)) \
                  .withColumn("P95_MOU_G_EDUCATION_KIDS", percentile_udf(quantiel=95, kolom=genres.MOU_G_EDUCATION_KIDS))

fanscores.take(2)

给出错误："TypeError: wrapper() got an unexpected keyword argument 'quantiel'"

我的最终试炼：

import numpy as np

def percentile(quantiel):
    return udf(lambda kolom: np.percentile(np.array(kolom), quantiel))

fanscores = genres.withColumn("P95_MOU_G_EDUCATION_ADULT", percentile(quantiel=95)(genres.MOU_G_EDUCATION_ADULT)) \
                  .withColumn("P95_MOU_G_EDUCATION_KIDS", percentile(quantiel=95) (genres.MOU_G_EDUCATION_KIDS))

fanscores.take(2)

给出错误：

PickleException：构造 ClassDict 的预期参数为零（numpy.dtype）

我该如何解决这个问题？

Answer 1

df.selectExpr('percentile(MOU_G_EDUCATION_ADULT, 0.95)').show()

对于大型数据集，考虑使用 percentile_approx()

计算 pyspark 数据框列的百分位数

Calculate percentile on pyspark dataframe columns

dataframe

pyspark

quantile

percentile