scala - 用平均值替换缺失值 - Spark Dataframe

Question

我有一个包含一些缺失值的 Spark 数据框。我想通过用该列的平均值替换缺失值来执行简单的插补。我对 Spark 很陌生，所以我一直在努力实现这个逻辑。这是我迄今为止设法做到的:

a) 要对单个列执行此操作(假设 Col A)，这行代码似乎有效:

df.withColumn("new_Col", when($"ColA".isNull, df.select(mean("ColA"))
  .first()(0).asInstanceOf[Double])
  .otherwise($"ColA"))

b) 但是，我无法弄清楚如何对数据框中的所有列执行此操作。我正在尝试 Map 函数，但我相信它会遍历数据帧的每一行

c) SO - here 上也有类似的问题.虽然我喜欢这个解决方案(使用聚合表和合并)，但我很想知道是否有办法通过循环遍历每一列来做到这一点(我来自 R，所以使用更高阶的函数循环遍历每一列，如lapply 对我来说似乎更自然)。

谢谢!

Answer 1

Spark >= 2.2

您可以使用 org.apache.spark.ml.feature.Imputer (支持均值和中值策略)。

斯卡拉 :

import org.apache.spark.ml.feature.Imputer

val imputer = new Imputer()
  .setInputCols(df.columns)
  .setOutputCols(df.columns.map(c => s"${c}_imputed"))
  .setStrategy("mean")

imputer.fit(df).transform(df)

python :

from pyspark.ml.feature import Imputer

imputer = Imputer(
    inputCols=df.columns, 
    outputCols=["{}_imputed".format(c) for c in df.columns]
)
imputer.fit(df).transform(df)

Spark < 2.2

这个给你:

import org.apache.spark.sql.functions.mean

df.na.fill(df.columns.zip(
  df.select(df.columns.map(mean(_)): _*).first.toSeq
).toMap)

在哪里

df.columns.map(mean(_)): Array[Column] 

计算每列的平均值，

df.select(_: *).first.toSeq: Seq[Any]

收集聚合值并将行转换为 Seq[Any] (我知道这是次优的，但这是我们必须使用的 API)，

df.columns.zip(_).toMap: Map[String,Any] 

创建 aMap: Map[String, Any]它从列名映射到它的平均值，最后:

df.na.fill(_): DataFrame

使用以下方法填充缺失值:

fill: Map[String, Any] => DataFrame 

来自 DataFrameNaFunctions .

进入 NaN您可以替换的条目:

df.select(df.columns.map(mean(_)): _*).first.toSeq

和:

import org.apache.spark.sql.functions.{col, isnan, when}


df.select(df.columns.map(
  c => mean(when(!isnan(col(c)), col(c)))
): _*).first.toSeq