sparkR 1.4.0 中的聚合统计

Question

我是普通 R 用户。

对于如下所示的 data.frame，我想统计基本的聚合统计信息；最小值、第一分位数、中位数、第三分位数和最大值。以下代码使用 reshape2 包和 dplyr 在常规普通 R 中继续该操作是

library(reshape2)
library(dplyr)
tidy_data <- data.frame( topic1 = rnorm(10^6),
                                                 topic2 = rnorm(10^6),
                                                 topic3 = rnorm(10^6),
                                                 topic4 = rnorm(10^6),
                                                 topic5 = rnorm(10^6))
tidy_data %>% 
    melt(measure.vars = c("topic1","topic2","topic3","topic4","topic5")) %>% 
    group_by(variable) %>%
    summarise( MIN = min(value),
                         Q1 = quantile(value, 0.25),
                            Q2 = median(value),
                            Q3 = quantile(value, 0.75),
                            MAX = max(value))

我想知道如何在 sparkR 中的分布式数据帧（Spark 的 DataFrame 对象）上重现此类操作。我设法计算了每个变量的最大值，但还不够和优雅的方式。有没有办法既高效又流畅地做到这一点？

我的 sparkR 代码如下：

system.time({
    print(
        head(
            summarize(topics5, 
                                MAX5 = max(topics5$topic5), 
                                MAX4 = max(topics5$topic4),
                                MAX3 = max(topics5$topic3), 
                                MAX2 = max(topics5$topic2), 
                                MAX1 = max(topics5$topic1)
                                )
            )
        )
    })

Answer 1

您可以使用 SparkR 中的 describe 方法来生成数字列的统计信息。例如：

df <- data.frame(a=rnorm(10), b=rnorm(10))
sdf <- createDataFrame(sqlContext, df)
collect(describe(sdf)).

这应该打印计数、平均值、最大值、最小值等

sparkR 1.4.0 中的聚合统计

Aggregation statistics in sparkR 1.4.0

r

apache-spark

sparkr