scala - 如何在 Spark 中找到分组数据的确切中位数

Question

我需要使用 Scala 计算 Spark 中 Double 数据类型的分组数据集的精确中位数。

它不同于类似的查询:Find median in spark SQL for multiple double datatype columns .这个问题是关于分组数据的查找数据，而另一个问题是关于在 RDD 级别上查找中位数。

这是我的示例数据

scala> sqlContext.sql("select * from test").show()

+---+---+
| id|num|
+---+---+
|  A|0.0|
|  A|1.0|
|  A|1.0|
|  A|1.0|
|  A|0.0|
|  A|1.0|
|  B|0.0|
|  B|1.0|
|  B|1.0|
+---+---+

预期答案:

+--------+
| Median |
+--------+
|   1    |
|   1    |
+--------+

我尝试了以下选项，但没有成功:

1) Hive 函数百分位数，它只对 BigInt 有效。

2) Hive 函数 percentile_approx，但它没有按预期工作(返回 0.25 vs 1)。

scala> sqlContext.sql("select percentile_approx(num, 0.5) from test group by id").show()

+----+
| _c0|
+----+
|0.25|
|0.25|
+----+

Answer 1

最简单的方法(需要 Spark 2.0.1+ 而不是精确的中值)

如第一个问题的评论中所述 Find median in Spark SQL for double datatype columns ，我们可以使用 percentile_approx 来计算 Spark 2.0.1+ 的中位数。要将此应用于 Apache Spark 中的分组数据，查询将如下所示:

val df = Seq(("A", 0.0), ("A", 0.0), ("A", 1.0), ("A", 1.0), ("A", 1.0), ("A", 1.0), ("B", 0.0), ("B", 1.0), ("B", 1.0)).toDF("id", "num")
df.createOrReplaceTempView("df")
spark.sql("select id, percentile_approx(num, 0.5) as median from df group by id order by id").show()

输出为:

+---+------+
| id|median|
+---+------+
|  A|   1.0|
|  B|   1.0|
+---+------+

也就是说，这是一个近似值(而不是每个问题的精确中值)。

计算分组数据的精确中位数

有多种方法，所以我相信 SO 中的其他人可以提供更好或更有效的示例。但这里有一个代码片段计算 Spark 中分组数据的中位数(在 Spark 1.6 和 Spark 2.1 中验证):

import org.apache.spark.SparkContext._

val rdd: RDD[(String, Double)] = sc.parallelize(Seq(("A", 1.0), ("A", 0.0), ("A", 1.0), ("A", 1.0), ("A", 0.0), ("A", 1.0), ("B", 0.0), ("B", 1.0), ("B", 1.0)))

// Scala median function
def median(inputList: List[Double]): Double = {
  val count = inputList.size
  if (count % 2 == 0) {
    val l = count / 2 - 1
    val r = l + 1
    (inputList(l) + inputList(r)).toDouble / 2
  } else
    inputList(count / 2).toDouble
}

// Sort the values
val setRDD = rdd.groupByKey()
val sortedListRDD = setRDD.mapValues(_.toList.sorted)

// Output DataFrame of id and median
sortedListRDD.map(m => {
  (m._1, median(m._2))
}).toDF("id", "median_of_num").show()

输出为:

+---+-------------+
| id|median_of_num|
+---+-------------+
|  A|          1.0|
|  B|          1.0|
+---+-------------+

我应该提出一些注意事项，因为这可能不是最有效的实现方式:

• 它当前使用的 groupByKey 性能不是很好。您可能希望将其更改为 reduceByKey(更多信息请参见 Avoid GroupByKey)
• 使用 Scala 函数计算中位数。

这种方法适用于少量数据，但如果每个键有数百万行，建议使用 Spark 2.0.1+ 并使用 percentile_approx 方法。