gpt4 book ai didi

apache-spark - 标准化 Spark DataFrame 中多列的值,仅使用 DataFrame API

转载 作者:行者123 更新时间:2023-12-04 04:52:07 24 4
gpt4 key购买 nike

我试图通过减去均值并除以每列的标准差来规范化 Spark 数据帧中多列的值。这是我到目前为止的代码:

from pyspark.sql import Row
from pyspark.sql.functions import stddev_pop, avg

df = spark.createDataFrame([Row(A=1, B=6), Row(A=2, B=7), Row(A=3, B=8),
Row(A=4, B=9), Row(A=5, B=10)])

exprs = [x - (avg(x)) / stddev_pop(x) for x in df.columns]
df.select(exprs).show()

这给了我结果:
+------------------------------+------------------------------+
|(A - (avg(A) / stddev_pop(A)))|(B - (avg(B) / stddev_pop(B)))|
+------------------------------+------------------------------+
| null| null|
+------------------------------+------------------------------+

我希望的地方:
+------------------------------+------------------------------+
|(A - (avg(A) / stddev_pop(A)))|(B - (avg(B) / stddev_pop(B)))|
+------------------------------+------------------------------+
| -1.414213562| -1.414213562|
| -0.707106781| -0.707106781|
| 0| 0|
| 0.707106781| 0.707106781|
| 1.414213562| 1.414213562|
+------------------------------+------------------------------+

我相信我可以用 StandardScaler 做到这一点来自 mllib 的类,但如果可能的话,我更愿意只使用数据帧 API 来做到这一点 - 如果只是作为学习练习。

最佳答案

感谢回答 here ,我想出了这个:

from pyspark.sql.functions import stddev_pop, avg, broadcast

cols = df.columns
stats = (df.groupBy().agg(
*([stddev_pop(x).alias(x + '_stddev') for x in cols] +
[avg(x).alias(x + '_avg') for x in cols])))

df = df.join(broadcast(stats))

exprs = [(df[x] - df[x + '_avg']) / df[x + '_stddev'] for x in cols]
df.select(exprs).show()

+------------------------+------------------------+
|((A - A_avg) / A_stddev)|((B - B_avg) / B_stddev)|
+------------------------+------------------------+
| -1.414213562373095| -1.414213562373095|
| -0.7071067811865475| -0.7071067811865475|
| 0.0| 0.0|
| 0.7071067811865475| 0.7071067811865475|
| 1.414213562373095| 1.414213562373095|
+------------------------+------------------------+

关于apache-spark - 标准化 Spark DataFrame 中多列的值,仅使用 DataFrame API,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/39993879/

24 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com