java - pig : Group by ranges/binning data

Question

我有一组整数值，我想将它们分组到一堆容器中。

示例:假设我有 1 到 1000 之间的一千个点，我想做 20 个 bin。

有没有办法将它们分组到一个 bin/array 中？

此外，我不会提前知道范围有多宽，因此我无法硬编码任何特定值。

Answer 1

如果您有最小值和最大值，则可以将范围除以 bin 的数量。例如，

-- foo.pig
ids = load '$INPUT' as (id: int);
ids_with_key = foreach ids generate (id - $MIN) * $BIN_COUNT / ($MAX- $MIN + 1) as bin_id, id;
group_by_id = group ids_with_key by bin_id;
bin_id = foreach group_by_id generate group, flatten(ids_with_key.id);
dump bin_id;

然后你可以使用下面的命令来运行它:

pig -f foo.pig -p MIN=1 -p MAX=1000 -p BIN_COUNT=20 -p INPUT=your_input_path

脚本背后的想法是我们可以将范围 [MIN, MAX] 除以 BIN_COUNT 以获得每个 bin 的大小:(MAX - MIN + 1)/BIN_COUNT，称为 BIN_SIZE。然后我们将 id 映射到 bin 编号:(id - MIN)/BIN_SIZE，并将它们分组。